Python 使用BeautifulSoup获取文档DOCTYPE_Python_Parsing_Beautifulsoup_Scrapy

Python 使用BeautifulSoup获取文档DOCTYPE

python parsing scrapy

Python 使用BeautifulSoup获取文档DOCTYPE,python,parsing,beautifulsoup,scrapy,Python,Parsing,Beautifulsoup,Scrapy,我刚刚开始结合修补，我想知道我是否遗漏了一些非常明显的东西，但我似乎不知道如何从生成的soup对象中获取返回的html文档的doctype 给定以下html： <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"> <html lang="en"> <head> <meta charset=utf-8 /> <me

我刚刚开始结合修补，我想知道我是否遗漏了一些非常明显的东西，但我似乎不知道如何从生成的soup对象中获取返回的html文档的doctype

给定以下html：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html lang="en"> 
<head> 
<meta charset=utf-8 />
<meta name="viewport" content="width=620" />
<title>HTML5 Demos and Examples</title> 
<link rel="stylesheet" href="/css/html5demos.css" type="text/css" /> 
<script src="js/h5utils.js"></script> 
</head> 
<body>
<p id="firstpara" align="center">This is paragraph <b>one</b>
<p id="secondpara" align="blah">This is paragraph <b>two</b>.
</html>

HTML5演示和示例

这是第一段这是第二段。

有谁能告诉我，是否有一种方法可以使用BeautifulSoup从中提取声明的doctype？

您只需获取汤内容中的第一项：

>>> soup.contents[0]
u'DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"'

您可以遍历顶级元素并检查每个元素是否是声明。然后您可以检查它以了解它是什么类型的声明：

for child in soup.contents:
    if isinstance(child, BS.Declaration):
        declaration_type = child.string.split()[0]
        if declaration_type.upper() == 'DOCTYPE':
            declaration = child

Beautiful Soup 4有一个用于DOCTYPE声明的类，因此您可以使用该类来提取顶级的所有声明（尽管您无疑希望有一个或没有！）

小心，如果doctype不是第一项，则此语法将中断。例如，当文档顶部有一个xml声明时，这可能会返回任何内容，因为doctype可能会丢失，而且经常会丢失。

def doctype(soup):
    items = [item for item in soup.contents if isinstance(item, bs4.Doctype)]
    return items[0] if items else None