Question

我想在第二次出现特定标记后提取HTML文件的文本。

我已经尝试过regex和bs4，但是我不知道出了什么问题。正则表达式总是只给我命中本身，而没有其余的html文件，而bs4却不起作用，因为我不知道如何指定文件的结尾。

简体：

<html>
    <veryspecific tag>
       abc
    </veryspecific tag>

    <stuff that comes before>
    </stuff that comes before>
    <...

       <veryspecific tag>
       abc
       </veryspecific tag>

       <other tags that come after>
       something
       </other tags that come after>
    </...>

    <other tags that come after2>
    something
    </other tags that come after2>
</html>

#I tried splitting it, so I can take the last part which should contain the end of the file, starting from the latest occurrence, but it did not work:

htmltxt.split(r'abc.*$')


# I also tried to get the last tag and try to "while" over the 2 to get the text:

last_tag = html_parsed.findall('a')[-1]

while specific_tag != last_tag:
   text = ...
   specific_tag = specific_tag.next

我找到了所需的标签并可以将其提取，但是我还需要文件的其余部分。有没有一种简单而pythonic的方法呢？

Answer 1

以下是使用BeautifulSoup的建议：

mark = soup.find('veryspecific').find_next('veryspecific')
all_other_tags = mark.find_all_next(name=True)

print(''.join(i.text for i in all_other_tags))

它给了我这个输出：

       something

    something

在特定标记后从html提取所有文本？

1 个答案: