如何在BeautifulSoup中获取带空格的HTML属性？

要拿到属性值的原始文本（包括末尾空格），别用默认的解析逻辑——它们都会自动规范化属性值。推荐用lxml库，它能配置解析器保留原始空格，而且处理大文件（11000+行）的性能完全没问题。

具体操作 #

1. 先安装lxml：

pip install lxml

2. 创建解析器时开启preserve_whitespace_in_attr_values选项，这个参数会让解析器不碰属性值里的首尾空格：

from lxml import etree

# 读取HTML内容（处理本地文件的话，直接用etree.parse读取）
html_content = '''<html lang="en" class="no-js">
    <div>
        <p class="price ">
            3.75
        </p>
        <p>21</p>
    </div>
</html>'''

# 配置解析器，保留属性原始空格格式
parser = etree.HTMLParser(preserve_whitespace_in_attr_values=True)
tree = etree.fromstring(html_content, parser=parser)

# 定位到带class属性的目标p标签
target_p = tree.xpath('//p[@class]')[0]

# 获取原始class属性值
raw_class = target_p.attrib['class']
print(repr(raw_class))  # 输出结果: 'price '

原理说明 #

• 不管是BeautifulSoup还是默认配置的lxml，都会自动对属性值做「规范化」处理：去掉首尾空格、合并内部连续空格，这就是你之前拿不到末尾空格的核心原因。
• 开启preserve_whitespace_in_attr_values后，lxml会严格保留属性值的原始格式，完全符合你的需求。
• lxml是基于C实现的解析库，处理大文件的速度和内存占用都比正则表达式靠谱得多，11000行的HTML文件能轻松应对。

如果是处理本地HTML文件，直接替换成以下代码读取：

tree = etree.parse('your_html_file.html', parser=parser)

内容的提问来源于stack exchange，提问作者mauro maurosayan5 baeza