问题描述
我有一个结构如下的 XHTML 文件：
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>
我正在使用 BeautifulSoup 并且我想从文档中删除 XML 声明，所以我看起来像这样：
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>
我找不到一种方法来获取 XML 声明以将其删除。 据我所知，它似乎不是 Doctype、Declaration、Tag 或 NavigableString。 有没有办法找到它来提取它？
作为一个工作示例，我可以使用这样的代码删除 Doctype（假设文档文本是变量“html”）：
soup = BeautifulSoup(html)
[item.extract() for item in soup.contents if isinstance(item, Doctype)]
1楼
您可以使用以下方法：
import bs4
soup = bs4.BeautifulSoup(html, 'html.parser')
for e in soup:
if isinstance(e, bs4.element.ProcessingInstruction):
e.extract()
break
print(soup)
对于您的示例，这将为您提供更新后的 HTML：
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html></html></html>
2楼
以下是在一些非常简单的情况下对我有用的方法：
from bs4 import BeautifulSoup
s = "<a value='label'/>"
s = BeautifulSoup(s, 'xml')
print(s)
## <?xml version="1.0" encoding="utf-8"?>
## <a value="label"/>
使用 bs 语法：
s.decode_contents() ## '<a value="label"/>'使用 string.split：
str(s).split("\\n")[-1] ## '<a value="label"/>'