Python Beautiful soup find_all（）方法获取的标记比筛选器指定的多

我有以下xml

<url>
     <loc>https://mystore.com/products-t-shirt.xml</loc>
     <lastmod>2019-04-11T00:01:42-04:00</lastmod>
     <changefreq>daily</changefreq>
     <image:image>
         <image:loc> http://some-imageurl.com
         </image:loc>
         <image:title>GIFTS</image:title>
         <image:caption>quirky caption</image:caption>
     </image:image>
</url>

https://mystore.com/products-t-shirt.xml
2019-04-11T00:01:42-04:00
每日的
http://some-imageurl.com
礼品
古怪的标题

我正试图提取“loc”标签

我使用了以下代码来实现这一点

products\u list=soup.find\u all（lambda标签：tag.name==“loc”）

---

我尝试过使用

soup.find_all（re.compile（\\bloc\\b”）

但是当我返回这个数组结果时，结果中有loc标记和image:loc标记（当然还有那些标记文本）。是否有人知道Beauty soup正在抓取image:loc，即使我指定我想要一个精确的字符串？

这假设您使用的是Beauty soup 4.7+

实际上，您可以使用选择器来实现这一目标。您显示的内容看起来是XML，所以我假设您的文档

image

中的某个地方定义了名称空间。在本例中，我们假设名称空间定义为

xmlns:image=”http://somenamespace.com“

表示

图像

前缀（在

之前的内容：

）表示

http://somenamespace.com

名称空间。我们将假设没有名称空间的

loc

。最后，我们将使用

|loc

指定希望

loc

不带命名空间：

from bs4 import BeautifulSoup
xml = """
<?xml version="1.0" encoding="UTF-8"?>
<root xmlns:image="http://somenamespace.com">
<url>
     <loc>https://mystore.com/products-t-shirt.xml</loc>
     <lastmod>2019-04-11T00:01:42-04:00</lastmod>
     <changefreq>daily</changefreq>
     <image:image>
         <image:loc> http://some-imageurl.com
         </image:loc>
         <image:title>GIFTS</image:title>
         <image:caption>quirky caption</image:caption>
     </image:image>
</url>
</root>
"""

soup = BeautifulSoup(xml, 'xml')

print(soup.select('|loc'))

输出

[<loc>https://mystore.com/products-t-shirt.xml</loc>] 

[<loc>https://mystore.com/products-t-shirt.xml</loc>]    

[<loc>https://mystore.com/products-t-shirt.xml</loc>]    

输出

[<loc>https://mystore.com/products-t-shirt.xml</loc>] 

[<loc>https://mystore.com/products-t-shirt.xml</loc>]    

[<loc>https://mystore.com/products-t-shirt.xml</loc>]    

---

我尝试了这个设置，我的输出是：

[https://mystore.com/products-t-shirt.xml]

首先，我加载一个包含字符串的文件。然而，我不得不做出一些更正： 文件：test.xml

<?xml version="1.0" encoding="UTF-8"?>
    <url xmlns:image=" ">
        <loc>https://mystore.com/products-t-shirt.xml</loc>
        <lastmod>2019 - 04 - 11
        T00: 01:42 - 04: 00
        </lastmod>
        <changefreq>daily</changefreq>
        <image: image="">
        <image loc="">http://some-imageurl.com
        </image>
        <image: title="">GIFTS</image:>
        <image: caption="">quirky caption</image:>
        </image:>
    </url>

正如您在输出中看到的，检索到的唯一字符串是loc标记only

---

我希望它能帮上忙

谢谢你的回答，但不幸的是，我已经尝试过了，而且还没有成功，我的答案确实是基于你的代码；完全不同的是xml本身。在我的IDE中，它似乎充满了错误。您可以通过导入xml部分并应用一些str（）来解决这个问题。例如：str（xml\u text）.replace（“：image”，“：image=\”）。希望对你有帮助。然而，另一个答案（我没有测试过）在阅读时似乎是正确的和有用的。我有一个与朋友的预定会议要参加，但我回家后会进一步研究另一个解决方案。我尝试了他/她在上次建议中展示的内容，但我收到了一个空数组，因此没有匹配项。其代码类似于此product_list=soup.select（'loc'，namespaces={''：''}），其中还有一个http://文件。所以我只是不想表明它还没有工作，我还在想为什么.select（）可以在xml上工作，但我会继续探索您的解决方案。据我所见，select（）使用的是soup sieve库，它似乎是一个css选择器库。我的命名空间也是，没有一个URL包含该域。我只是在互联网上仔细阅读了一下，发现你的github上有soup sieve文档。我尝试使用|*强制使用默认名称空间，但仍然没有成功。至少我现在理解了整个xml名称空间问题和推理，因为CSS选择器可以应用于其他文档类型。并不是所有的东西都能真正转换成XML，比如特定于HTML的伪类，但并没有什么能阻止它们工作。另外，请记住，XHTML是XML和HTML，选择器也在其中工作。名称空间也被带入了HTML5中，尽管通常没有前缀和暗示。是的，soup sieve就是这个库，我是它的作者。我更新了一个替代解决方案，它不使用选择器，只需查看

find\u all

中返回的元素，并检查没有前缀的元素。

import bs4 as BS

if __name__ == "__main__":

    with open("test.xml", "r") as f:
        xml = f.read()
    soup = BS.BeautifulSoup(xml, "lxml")
    tag_selection = soup.find_all(lambda tag: tag.name == "loc")
    print(tag_selection)