禁用特殊的“类”属性处理

Question

故事：

当您使用解析HTML时BeautifulSoup，classattribute被视为多值属性，并以特殊方式处理：

请记住，单个标签的“ class”属性可以有多个值。当您搜索与某个CSS类匹配的标签时，您将与其任何CSS类进行匹配。

另外，内建的引号HTMLTreeBuilder用作BeautifulSoup其他树构建器类的基础，例如HTMLParserTreeBuilder：

# The HTML standard defines these attributes as containing a
# space-separated list of values, not a single value. That is,
# class="foo bar" means that the 'class' attribute has two values,
# 'foo' and 'bar', not the single value 'foo bar'.  When we
# encounter one of these attributes, we will parse its value into
# a list of values if possible. Upon output, the list will be
# converted back into a string.

问题：

如何配置BeautifulSoup为class作为通常的单值属性处理？换句话说，我不希望它class专门处理并将其视为常规属性。

我尝试过的

实际上，我通过创建 自定义树构建器类 并class从特殊处理的属性列表中删除来使其工作：

from bs4.builder._htmlparser import HTMLParserTreeBuilder

class MyBuilder(HTMLParserTreeBuilder):
    def __init__(self):
        super(MyBuilder, self).__init__()

        # BeautifulSoup, please don't treat "class" specially
        self.cdata_list_attributes["*"].remove("class")


soup = BeautifulSoup(data, "html.parser", builder=MyBuilder())

我不喜欢这种方法，因为它非常“不自然”且“神奇”，涉及导入“私有”内部_htmlparser。我希望有一个更简单的方法。

注意：我想保存所有其他与HTML解析相关的功能，这意味着我不想HTML使用仅“ xml”功能进行解析（这可能是另一个解决方法）。

Answer 1

我不喜欢这种方法，因为它非常“不自然”且“神奇”，涉及导入“私有”内部_htmlparser。我希望有一个更简单的方法。

是的，您可以bs4.builder改为从导入：

from bs4 import BeautifulSoup
from bs4.builder import HTMLParserTreeBuilder

class MyBuilder(HTMLParserTreeBuilder):
    def __init__(self):
        super(MyBuilder, self).__init__()
        # BeautifulSoup, please don't treat "class" as a list
        self.cdata_list_attributes["*"].remove("class")


soup = BeautifulSoup(data, "html.parser", builder=MyBuilder())

如果您不想重复自己的话就足够重要了，可以将构建器放在其自己的模块中，然后向其注册，register_treebuilders_from()以便优先使用。