BeautifulSoup中findAll()提取img多id问题：如何获取所有顺序id？

这情况我太熟了！首先得敲个重点：HTML规范明确规定单个元素不能有重复的属性，所以你用的html.parser和lxml这类HTML解析器，都会自动“修复”这个不符合规范的标签——只不过两者的修复逻辑不一样：html.parser会保留最后一个重复的id，而lxml会保留第一个，这就是为啥你拿到的结果各不一样。

如果非要按输入顺序获取所有重复的id，得绕过HTML解析器的属性合并逻辑，给你两个靠谱的方案：

方案1：用正则表达式直接提取 #

直接对原始HTML字符串做匹配，跳过解析器的处理，精准抓取所有id属性值：

import re

# 你的原始HTML内容
webpage = '<img id="webfast-uhyubv" alt="" data-type="image" id="comp-jefxldtzbalatamediacontentimage" src="http://webfast.co/images/webfast-logo.png" />'

# 匹配所有id="xxx"格式的内容
id_pattern = re.compile(r'id="([^"]+)"')
all_ids = id_pattern.findall(webpage)

print(all_ids)
# 输出结果：['webfast-uhyubv', 'comp-jefxldtzbalatamediacontentimage']

方案2：用XML解析器处理 #

XML解析器对重复属性的容忍度更高（虽然XML规范也不允许，但解析时会保留所有属性），可以用lxml.etree的XML模式来解析：

from lxml import etree

webpage = '<img id="webfast-uhyubv" alt="" data-type="image" id="comp-jefxldtzbalatamediacontentimage" src="http://webfast.co/images/webfast-logo.png" />'

# 用XML模式解析，而不是HTML模式
root = etree.fromstring(webpage)
# 提取所有id属性
all_ids = root.xpath('@id')

print(all_ids)
# 输出结果：['webfast-uhyubv', 'comp-jefxldtzbalatamediacontentimage']

最后补一句：虽然这两个方法能解决当前问题，但本质上带有重复属性的HTML是不合法的，长期来看最好是从生成HTML的源头避免这种情况哦。

内容的提问来源于stack exchange，提问作者anurag