Python 美苏曲解<；面积>；标签

我使用beautifulsoup从烟草文档中提取元数据，如下所示：

这将正确识别除以下标记之外的所有标记：

<area>GEE,ED/OFFICE; N408</area>

GEE，教育署/办公室；N408

Beautiful soup将区域标记标识为两个单独的标记：

• 空的区域标记

• 带有内容

  GEE、ED/OFFICE的空标签；N408

发生此错误是因为

是HTML标记吗？

---

我怎样才能让靓汤正确识别

GEE，ED/OFFICE；N408

作为

标记的内容？

核心问题是您没有告诉

bs4

它正在解析XML。它假定为HTML—打印出来，并注意解析器如何将所有内容包装在

标记中

import requests

req = requests.get('http://legacy.library.ucsf.edu/tid/bxf03e00/xml')

doc = req.text

BeautifulSoup(doc).find('area')
Out[79]: <area></area>

import requests

req = requests.get('http://legacy.library.ucsf.edu/tid/bxf03e00/xml')

doc = req.text

BeautifulSoup(doc).find('area')
Out[79]: <area></area>

BeautifulSoup(doc,'xml').find('area')
Out[80]: <area>GEE,ED/OFFICE; N408</area>