Digamos que tengo una página con div. Puedo obtener fácilmente ese div con soup.find().BeautifulSoup innerhtml?
Ahora que tengo el resultado, me gustaría imprimir TODO innerhtml de ese : Quiero decir, necesitaría una cadena con TODAS las etiquetas html y texto todo junto, exactamente como la cadena que tendría ingrese en javascript con obj.innerHTML. es posible?
Una de las opciones podría ser el uso algo así:
innerhtml = "".join([str(x) for x in div_element.contents])
Hay una función de indocumentado que hace aproximar la DOMs innerHTML method:
def innerHTML(element):
return element.decode_contents(formatter="html")
Esto ha pasado todos mis casos de prueba hasta el momento. Tal vez alguien debería actualizar los documentos?
Esto convertirá algunos caracteres en entidades HTML. Sin embargo, funciona bien con el formateador predeterminado ('Ninguno'). – Tgr
Esta es la respuesta correcta. La respuesta de @peewhy no funciona por las razones descritas por ChrisD. – dbkaplun
parece que esto ha sido renombrado a 'renderContents' con argumentos ligeramente diferentes' (codificación = DEFAULT_OUTPUT_ENCODING, prettyPrint = False, indentLevel = 0) ' – highvolt
¿Qué tal solo unicode(x)? Parece funcionar para mi.
Editar: Esto le dará el HTML externo y no el interno.
Esto devolverá el div incluyendo el elemento externo, no solo el contenido. – Arany
Tienes razón. Dejando esto aquí por ahora en caso de que esto ayude a alguien más. –
Si sólo necesita el texto (no hay etiquetas HTML), entonces usted puede utilizar .text:
soup.select("div").text
Unicode (x) podría ser más seguro –
Hay algunos otros problemas con esto. En primer lugar, no escapa a las entidades html (como mayor que y menor que) dentro de los elementos de cadena. En segundo lugar, escribirá el contenido de los comentarios, pero no las etiquetas de comentarios en sí. – ChrisD
Agregando otra razón para no usar esto en los comentarios de @ChrisD: Esto arrojará un UnicodeDecodeError sobre el contenido que incluye caracteres no ASCII. – Anthon