BeautifulSoup adlı kullanıcının en son mesajlarını özelleştirme

Question

prettify'un belirli etiketlerde yeni satırlar oluşturmaması için bunu yapmanın mümkün olup olmadığını merak ediyordum.

Ben span ve a etiketleri bölmek kalmamak örneğin, bunu yapmak istiyorum : Aşağıdaki

doc="""<div><div><span>a</span><span>b</span> 
<a>link</a></div><a>link1</a><a>link2</a></div>""" 

from bs4 import BeautifulSoup as BS 
soup = BS(doc) 
print soup.prettify() 

Ben yazdırmak istediğiniz budur:

<div> 
    <div> 
     <span>a</span><span>b</span> 
     <a>link</a> 
    </div> 
    <a>link1</a><a>link2</a> 
</div> 

Ama bu ne olduğu aslında baskı yapacaktır:

Satır içi stil etiketlerini yeni satırlara yerleştirmek, aslında gerçek sayfaların görünümünü biraz değiştirerek, aralarında boşluk ekleyecektir. Fark gösteren iki jsfiddles sizi bağlayacak: Bir web sayfası ayıklayıcısını yazıyorum çünkü

anchor tags on new lines

anchor tags next to eachother

o BeautifulSoup için önemli neden merak ediyorsanız, öyle, ve prettify işlevi çok yararlı olacaktır (bs4'teki diğer şeylerle birlikte). Ama belgeyi güzelleştirirse, bazı şeyleri değiştirmeyi riske atarım.

prettify İşlevini, belirli etiketlerin ayrılmaması için ayarlayabilmem için herhangi bir yolu var mı?

Answer 1

Ben daha iyi bir çözüm bulamazsanız ederken ben hızlı bir hack post ediyorum.

Aslında, projemde textareas ve ön etiketlerin kırılmasını önlemek için kullanıyorum. Girintiyi önlemek istediğiniz etiketlerle ['span', 'a'] değiştirin.

Answer 2

Kısa cevap no.

Daha uzun cevap kolay değil.

Hala bs3 kullanıyorum, bu bir bck3 için bck olduğunu. Bunu bs4'e taşıyarak uzağım. Bu, esas olarak Tag ve BeautifulSoup alt sınıflarını ve güzelleştirici (ve ilgili) yöntemleri aşırı yüklemeyi içerir.

Kodu:

import sys 
import BeautifulSoup 

class Tag(BeautifulSoup.Tag): 
    def __str__(self, encoding=BeautifulSoup.DEFAULT_OUTPUT_ENCODING, 
      prettyPrint=False, indentLevel=0, pprint_exs=[]): 
     """Returns a string or Unicode representation of this tag and 
     its contents. To get Unicode, pass None for encoding. 

     NOTE: since Python's HTML parser consumes whitespace, this 
     method is not certain to reproduce the whitespace present in 
     the original string.""" 

     encodedName = self.toEncoding(self.name, encoding) 

     unflatten_here = (not self.name in pprint_exs) 

     attrs = [] 
     if self.attrs: 
      for key, val in self.attrs: 
       fmt = '%s="%s"' 
       if isinstance(val, basestring): 
        if self.containsSubstitutions and '%SOUP-ENCODING%' in val: 
         val = self.substituteEncoding(val, encoding) 

        # The attribute value either: 
        # 
        # * Contains no embedded double quotes or single quotes. 
        # No problem: we enclose it in double quotes. 
        # * Contains embedded single quotes. No problem: 
        # double quotes work here too. 
        # * Contains embedded double quotes. No problem: 
        # we enclose it in single quotes. 
        # * Embeds both single _and_ double quotes. This 
        # can't happen naturally, but it can happen if 
        # you modify an attribute value after parsing 
        # the document. Now we have a bit of a 
        # problem. We solve it by enclosing the 
        # attribute in single quotes, and escaping any 
        # embedded single quotes to XML entities. 
        if '"' in val: 
         fmt = "%s='%s'" 
         if "'" in val: 
          # TODO: replace with apos when 
          # appropriate. 
          val = val.replace("'", "&squot;") 

        # Now we're okay w/r/t quotes. But the attribute 
        # value might also contain angle brackets, or 
        # ampersands that aren't part of entities. We need 
        # to escape those to XML entities too. 
        val = self.BARE_AMPERSAND_OR_BRACKET.sub(self._sub_entity, val) 

       attrs.append(fmt % (self.toEncoding(key, encoding), 
            self.toEncoding(val, encoding))) 
     close = '' 
     closeTag = '' 
     if self.isSelfClosing: 
      close = ' /' 
     else: 
      closeTag = '</%s>' % encodedName 

     prev = self.findPrevious(lambda x: isinstance(x, Tag)) 
     prev_sib = self.findPreviousSibling(lambda x: isinstance(x, Tag)) 
     ex_break_detected = (self.name != prev_sib.name) if(prev_sib and prev_sib.name in pprint_exs) else False 
     break_detected = (self.name != prev.name) if(prev) else False 

     indentTag, indentContents = 0, 0 
     if prettyPrint: 
      if(break_detected or unflatten_here): 
       indentContents = indentLevel + 1 
      indentTag = indentLevel 
      space = (' ' * (indentTag-1)) 
     contents = self.renderContents(encoding, prettyPrint, indentContents, pprint_exs, unflatten_here) 
     if self.hidden: 
      s = contents 
     else: 
      s = [] 
      attributeString = '' 
      if attrs: 
       attributeString = ' ' + ' '.join(attrs) 
      if prettyPrint and ex_break_detected and not unflatten_here: 
       s.append("\n") 
      if prettyPrint and (unflatten_here or break_detected): 
       s.append(space) 
      s.append('<%s%s%s>' % (encodedName, attributeString, close)) 
      if prettyPrint and unflatten_here: 
       s.append("\n") 
      s.append(contents) 
      if prettyPrint and contents and contents[-1] != "\n" and unflatten_here: 
       s.append("\n") 
      if prettyPrint and closeTag and unflatten_here: 
       s.append(space) 
      s.append(closeTag) 
      if prettyPrint and closeTag and self.nextSibling and unflatten_here: 
       s.append("\n") 
      if prettyPrint and isinstance(self.nextSibling, Tag) and self.nextSibling.name != self.name and not unflatten_here: 
       s.append("\n") 

      s = ''.join(s) 
     return s 

    def renderContents(self, encoding=BeautifulSoup.DEFAULT_OUTPUT_ENCODING, 
         prettyPrint=False, indentLevel=0, pprint_exs=[], unflatten=True): 
     """Renders the contents of this tag as a string in the given 
     encoding. If encoding is None, returns a Unicode string..""" 
     s=[] 
     for c in self: 
      text = None 
      if isinstance(c, BeautifulSoup.NavigableString): 
       text = c.__str__(encoding) 
      elif isinstance(c, Tag): 
       s.append(c.__str__(encoding, prettyPrint, indentLevel, pprint_exs)) 
      if text and prettyPrint: 
       text = text.strip() 
      if text: 
       if prettyPrint and unflatten: 
        s.append(" " * (indentLevel-1)) 
       s.append(text) 
       if prettyPrint and unflatten: 
        s.append("\n") 
     return ''.join(s) 
BeautifulSoup.Tag = Tag 

class BeautifulStoneSoup(Tag, BeautifulSoup.BeautifulStoneSoup): 
    pass 
BeautifulSoup.BeautifulStoneSoup = BeautifulStoneSoup 

class PumpkinSoup(BeautifulStoneSoup, BeautifulSoup.BeautifulSoup): 
    def __init__(self, *args, **kwargs): 
     self.pprint_exs = kwargs.pop("pprint_exs", []) 
     super(BeautifulSoup.BeautifulSoup, self).__init__(*args, **kwargs) 
    def prettify(self, encoding=BeautifulSoup.DEFAULT_OUTPUT_ENCODING): 
     return self.__str__(encoding, True, pprint_exs=self.pprint_exs) 

doc = \ 
''' 
<div> 
<div> 
<span>a</span><span>b</span> 
    <a>link1</a> 
    <a>link2</a> 
<span>c</span> 
</div> 
<a>link3</a><a>link4</a> 
</div> 
''' 

soup = PumpkinSoup(doc, pprint_exs = ["a", "span"]) 
print soup.prettify()