BeautifulSoup 踩坑笔记：SVG 显示异常的真正原因
- “这图是不是糊了？”
- 以为是样式缺了？试试手动复制
- 差异在哪？想用对比工具一探究竟……
- 简单到不能再简单的代码，有问题吗？
- 最后的真相：viewBox vs viewbox，preserveAspectRatio vs preserveaspectratio
- 别急，问题其实出在 parser 上
- 正确做法：用 xml parser！
我有几个网页需要处理，想从中提取出 SVG 图单独保存。操作也很简单，网页保存为 .html 后，用 Python + BeautifulSoup 提取 <svg> 标签，保存为 .svg 文件。
一切看起来都很顺利，代码跑起来没报错，文件也生成了。但打开 SVG 一看，总感觉哪儿不太对劲。
“这图是不是糊了？”
那是一种怎么形容呢……“有点糊”的感觉。轮廓线条模糊了，缩放好像不太灵，反正就不像原网页中那么清晰了。
图中左侧是 BeautifulSoup 提取的结果，右侧是网页中原始的显示效果，看着还是非常明显。
以为是样式缺了？试试手动复制
起初我以为可能是 SVG 引用了网页外部的样式表，所以通过代码提取出来后，没法正确渲染。
那我就直接从 HTML 源码里把 <svg> 标签复制出来，保存成 .svg 文件。结果一打开：显示完全正常！
这说明：SVG 并没有依赖外部样式，问题出在提取方式上。
差异在哪？想用对比工具一探究竟……
想到这里，我打算用 Beyond Compare 这种工具来看看手动提取和代码提取的 SVG 文件有啥不同。
结果发现：属性的顺序被 BeautifulSoup 改了个遍，标签缩进也被重新排过了。
这下比对也不好看了，完全对不上。搞得我直接放弃用工具对比，只能开始回头怀疑自己的代码：
简单到不能再简单的代码，有问题吗？
下面是我最开始的代码，提取 SVG 并保存：
from bs4 import BeautifulSoup
with open('42e1.html', 'r', encoding='utf-8') as file:
html_content = file.read()
soup = BeautifulSoup(html_content)
svg = soup.find('svg')
if svg:
svg_string = svg.prettify()
with open('extracted_42e1.svg', 'w', encoding='utf-8') as f:
f.write(svg_string)
代码非常简单，难道是 .prettify() 的锅？它会不会在格式化的时候，修改了什么属性？
我试了几个 formatter 参数，也没解决问题，结果还是老样子。
最后的真相：viewBox vs viewbox，preserveAspectRatio vs preserveaspectratio
没辙了，我只能回到老老实实肉眼对比。
我皱着眉头盯着 Beyond Compare，看着它标红的地方……一开始我还没看出来。
结果，居然只是属性名变成了小写：
viewBox→viewboxpreserveAspectRatio→preserveaspectratio
嘴里飙出了一句国粹之后，我第一反应是直接暴力补丁：
svg_content = svg_content.replace("viewbox", "viewBox")
svg_content = svg_content.replace("preserveaspectratio", "preserveAspectRatio")
还一度想给 BeautifulSoup 提个 issue：你咋连大小写都搞不清？
别急，问题其实出在 parser 上
冷静之后，我想：不应该啊，BeautifulSoup 这么成熟的库，不可能犯这种低级错误。
于是去查了查文档——果然问题不在 BeautifulSoup 本身，而在于我用的解析器。
默认的 html.parser 是按照 HTML 规范设计的，它会把标签名和属性名全部转换为小写，这是符合 HTML 标准的。
但问题来了，SVG 是 XML 子集，属性名是区分大小写的。
换句话说，我在解析 XML 的时候用了 HTML 的工具，所以出问题了
正确做法：用 xml parser！
所以解决方法其实很简单，只需要：
soup = BeautifulSoup(html_content, "xml")
这样，viewBox 和 preserveAspectRatio 就能原封不动地保留下来，SVG 也就恢复正常了。结局也算是皆大欢喜了。
补一句：
-
如果专门要处理 SVG、MathML、RSS 等 XML 内容，请用
xml或lxml-xml。 -
如果要处理 HTML 页面，继续用
html.parser是对的，因为使用 xml 解析可能会造成 html 部分的混乱。
以此留念，拒绝踩坑。