使用BeautifulSoup查找含特殊字符的XML元素失败求助

问题场景 #

解析Tableau生成的XML文档时，根节点调用soup.find能定位到目标标签_.fcp.objectmodelencapsulatelegacy.true...object-graph，但在datasource子节点下调用find却返回None，仅能通过遍历子元素的方式匹配到该标签。

目标XML内容 #

<datasources>
  <datasource>
    <_.fcp.ObjectModelEncapsulateLegacy.true...object-graph>
      <objects>
        <object caption='table' id='table'>
          <properties context='extract'>
            <relation name='Extract' table='[Extract].[Extract]' type='table' />
          </properties>
        </object>
      </objects>
    </_.fcp.ObjectModelEncapsulateLegacy.true...object-graph>
  </datasource>
</datasources>

原解析代码 #

soup = BeautifulSoup(xmlstr, 'lxml')
print(soup.find("_.fcp.objectmodelencapsulatelegacy.true...object-graph"))
# 可行！打印该对象的标记

datasources = soup.find('datasources').find_all('datasource')
for ds in datasources:
    print(ds['caption'])
    print(ds['name'])
    # 可行！

    result = ds.find("_.fcp.objectmodelencapsulatelegacy.true...object-graph")
    print(result.name)
    # 不可行！返回None

    for tag in ds:
        if tag.name == "_.fcp.objectmodelencapsulatelegacy.true...object-graph":
           print(tag.name)
           # 可行 ^^

问题原因 #

目标标签名包含特殊字符（.和连续的...），BS4的find方法直接传入这类字符串时，内部解析逻辑对特殊字符的处理出现异常，导致无法在子节点上下文匹配到对应标签。

解决办法 #

方法一：用Lambda表达式精确匹配标签名 #

绕过字符串解析的问题，通过lambda函数直接匹配标签名：

soup = BeautifulSoup(xmlstr, 'lxml')
datasources = soup.find('datasources').find_all('datasource')
for ds in datasources:
    result = ds.find(lambda tag: tag.name == "_.fcp.objectmodelencapsulatelegacy.true...object-graph")
    if result:
        print(result.name)  # 正常输出目标标签名

方法二：遍历后代节点筛选 #

直接遍历datasource的所有后代节点，筛选出目标标签：

soup = BeautifulSoup(xmlstr, 'lxml')
datasources = soup.find('datasources').find_all('datasource')
for ds in datasources:
    target_tag = None
    for tag in ds.descendants:
        if tag.name == "_.fcp.objectmodelencapsulatelegacy.true...object-graph":
            target_tag = tag
            break
    if target_tag:
        print(target_tag.name)

方法三：转义特殊字符后用select方法 #

如果偏好CSS选择器，需转义标签名中的.（CSS中.代表类选择器）：

soup = BeautifulSoup(xmlstr, 'lxml')
datasources = soup.find('datasources').find_all('datasource')
# 转义所有.为\\.
escaped_tag = "\\.".join("_.fcp.objectmodelencapsulatelegacy.true...object-graph".split("."))
for ds in datasources:
    result = ds.select_one(escaped_tag)
    if result:
        print(result.name)

内容的提问来源于stack exchange，提问作者Chris