为何BeautifulSoup无法识别XBRL相关的ix:nonfraction标签？

核心差异与原因 #

• 第一个代码里的<ix:nonfraction>是带XML命名空间的标签：ix:是命名空间的前缀，nonfraction才是真正的标签名，和纯<ix>标签完全是两个不同的元素。
• BeautifulSoup处理带命名空间的XML/HTML时，会将标签解析成(命名空间URI, 标签名)的元组结构。直接用find_all('ix')只会匹配标签名为ix的普通元素，无法匹配带ix:前缀的nonfraction标签。
• 第二个代码里的<ix>是普通HTML标签，标签名就是ix，所以find_all('ix')能直接命中。

解决方案 #

1. 直接查找完整标签名

如果目标明确是<ix:nonfraction>，直接用完整标签字符串查找：

from bs4 import BeautifulSoup

text = """
<td style="BORDER-BOTTOM:0.75pt solid #7f7f7f;white-space:nowrap;vertical-align:bottom;text-align:right;">$ <ix:nonfraction name="ecd:AveragePrice" contextref="P01_01_2022To12_31_2022" unitref="Unit_USD" decimals="2" scale="0" format="ixt:num-dot-decimal">97.88</ix:nonfraction>
</td>
"""

soup = BeautifulSoup(text, 'lxml')
ix_tags = soup.find_all('ix:nonfraction')
print(ix_tags)  # 会输出找到的<ix:nonfraction>标签

2. 正则匹配所有ix:前缀的标签

如果要批量查找所有带ix:前缀的标签，用正则表达式匹配标签名：

import re
from bs4 import BeautifulSoup

text = """
<td style="BORDER-BOTTOM:0.75pt solid #7f7f7f;white-space:nowrap;vertical-align:bottom;text-align:right;">$ <ix:nonfraction name="ecd:AveragePrice" contextref="P01_01_2022To12_31_2022" unitref="Unit_USD" decimals="2" scale="0" format="ixt:num-dot-decimal">97.88</ix:nonfraction>
</td>
"""

soup = BeautifulSoup(text, 'lxml')
ix_tags = soup.find_all(re.compile(r'^ix:'))
print(ix_tags)

3. 利用命名空间映射查找（推荐规范做法）

如果文档里声明了ix对应的命名空间URI（通常是http://www.xbrl.org/2003/instance），可以用select方法结合命名空间映射：

from bs4 import BeautifulSoup

text = """
<td style="BORDER-BOTTOM:0.75pt solid #7f7f7f;white-space:nowrap;vertical-align:bottom;text-align:right;">$ <ix:nonfraction name="ecd:AveragePrice" contextref="P01_01_2022To12_31_2022" unitref="Unit_USD" decimals="2" scale="0" format="ixt:num-dot-decimal">97.88</ix:nonfraction>
</td>
"""

soup = BeautifulSoup(text, 'lxml')
# 定义命名空间映射，URI以实际文档声明为准
namespaces = {'ix': 'http://www.xbrl.org/2003/instance'}
ix_tags = soup.select('ix|nonfraction', namespaces=namespaces)
print(ix_tags)

内容的提问来源于stack exchange，提问作者Victor Wang