python - 如何循环Beautiful Soup元素来获取属性值

Question

我需要迭代 Beautiful Soup 元素并获取属性值:对于 XML 文档:

<?xml version="1.0" encoding="UTF-8"?>

<Document>
    <Page x1="71" y1="120" x2="527" y2="765" type="page" chunkCount="25"
        pageNumber="1" wordCount="172">
        <Chunk x1="206" y1="120" x2="388" y2="144" type="unclassified">
            <Word x1="206" y1="120" x2="214" y2="144" font="Times-Roman" style="font-size:22pt">K</Word>
            <Word x1="226" y1="120" x2="234" y2="144" font="Times-Roman" style="font-size:22pt">O</Word>
        </Chunk>
     </Page>
</Document>

我想获取“Word”元素的 x1 值 (206,226)。非常感谢!

编辑:我尝试过:

for i in soup.page.chunk:
    i.word['x1']

返回错误:

File "C:\Python26\lib\site-packages\BeautifulSoup.py", line 473, in __getattr__
    raise AttributeError, "'%s' object has no attribute '%s'" % (self.__class__.__name__, attr)
AttributeError: 'NavigableString' object has no attribute 'word'

同时:

soup.page.chunk.word['x1']

工作正常...并且:

for i in soup.page.chunk:
    i.findNext(text=True)

从元素中获取文本。

Answer 1

这似乎可行，尽管不是那么优雅:

for word in soup.page.chunk.find_all('word'):
    print word['x1']

嵌套的 find_all 也应该可以工作。但可能最好使用类似 css 的选择(soupselect 或来自 lxml)。

基本上，如果我没记错的话，soup.page.chunk 是一个节点，soup 标签。因此，如果你想要迭代，你必须调用 find_all。

更新。不同的方法可以是 find_all('word')，然后根据 word.parent.name == 'smth'

等条件进行过滤

[!] 在 BeautifulSoup3(不是 bs4)中，它应该是 findAll 而不是 find_all