Question

设置向上

我有各种包含HTML的字符串变量，其中一个https://pastebin.com/rsi3v9nh。

我需要获取HTML中的文本。例如。来自以下HTML代码段，

<div class="woocommerce-product-details__short-description">\n<ul>\n<li>50.000 r.p.m.</li>\n<li>Dry technique</li>\n<li>Controllable by foot pedal</li>\n<li>Auto-Cruise</li>\n<li>Twist-lock system</li>\n<li>100W drill power</li>\n<li>7.8 Ncm torque</li>\n<li>220V-240V</li>\n<li>12-months warranty</li>\n</ul>\n</div>\n<p>[/vc_column_text]</p>

我想获取所有<li>的文字。

请注意，这只是整个字符串的一部分示例，文本不仅在<li>个元素中。

问题

简单地使用正则表达式会非常麻烦，因为模式有点不规则。

我熟悉Selenium从HTML获取数据，即做driver.find_element_by_xpath('div')等。但这只适用于HTML对象，而不是字符串。

我想知道我是否能以某种方式将字符串转换为HTML，然后以类似Selenium的方式获取文本。

任何其他解决方案也可以。

Answer 1

You definitely don't want to use regular expressions here.

您可以使用beautifulsoup来解析它：

from bs4 import BeautifulSoup

s = '<div class="woocommerce-product-details__short-description">\n<ul>\n<li>50.000 r.p.m.</li>\n<li>Dry technique</li>\n<li>Controllable by foot pedal</li>\n<li>Auto-Cruise</li>\n<li>Twist-lock system</li>\n<li>100W drill power</li>\n<li>7.8 Ncm torque</li>\n<li>220V-240V</li>\n<li>12-months warranty</li>\n</ul>\n</div>\n<p>[/vc_column_text]</p>'

soup = BeautifulSoup(s)
print(soup.findAll(text=True))

输出：

['\n', '\n', '50.000 r.p.m.', '\n', 'Dry technique', '\n', 'Controllable by foot pedal', '\n', 'Auto-Cruise', '\n', 'Twist-lock system', '\n', '100W drill power', '\n', '7.8 Ncm torque', '\n', '220V-240V', '\n', '12-months warranty', '\n', '\n', '\n', '[/vc_column_text]']

将包含HTML的字符串转换为实际的HTML

1 个答案: