python - BeaitifulSoup 无法读取所有命名空间

Question

我有一个 XBRL 文档，它应该是一个 XML 文档。

我正在尝试提取按名称空间分组的不同标签。虽然代码似乎适用于某些命名空间（us-gaap），但它似乎不适用于其他命名空间（xbrli）。但是，在 xml 文件中有很多类型为 * < xbrli: ... >* 的标签

代码：

from bs4 import BeautifulSoup

with open('test.xml', 'r') as fp:
    raw_text = fp.read()

soup = BeautifulSoup(raw_text, 'xml')

print( len(soup.find_all(lambda tag: tag.prefix == 'us-gaap')) ) # print 941
print( len(soup.find_all(lambda tag: tag.prefix == 'xbrli')) ) # print 0

您可以在此处找到 test.xml 文件。

标签： pythonxmlbeautifulsoupnamespacesxbrl

Answer 1

你可以试试这段代码（使用 CSS 选择器吗？）。使用你的代码，我有时会得到 1268 的 xbrli 标签，有时是 0（在旧版本的bs4==4.4.1. 另外，您使用哪个版本的 BeautifulSoup？

from bs4 import BeautifulSoup, __version__

soup = BeautifulSoup(open('data.txt', 'r').read(), 'xml')

print('xbrli:* tags =', len(soup.select('xbrli|*')))
print('us-gaap:* tags =', len(soup.select('us-gaap|*')))

print('Version of bs4:', __version__)

印刷：

xbrli:* tags = 1268
us-gaap:* tags = 941
Version of bs4: 4.8.1