当文本不在<> ... </>本身内时，使用BeautifulSoup在强标签之后获取文本

Question

我要抓取这个网站：https://eintaxid.com/companies/a/?page=1

我已成功提取公司名称：

r = requests.get('https://eintaxid.com/companies/a/?page=1')
soup = BeautifulSoup(r.content, "html.parser")

# outputs all strong tags
for tag in soup.find_all('strong'):
    print(tag.text)

我可以很容易地隔离出公司名称：

r = requests.get('https://eintaxid.com/companies/a/?page=1')
soup = BeautifulSoup(r.content, "html.parser")
table = soup.find_all('strong')

comp_list = []

# loop to extract just the company names from the strong tags, then using the a tags
for j in table:
    td = j.find_all(['a'])
    row = [i.text for i in td]
    comp_list.append(row)

# puts company names into a pandas df
comp_list = list(filter(lambda x: len(x) > 0, comp_list))
comp_list = pd.DataFrame(comp_list, columns = ['Company']).reset_index(drop = True)
comp_list

尽管如此，我还是无法提取EIN号码。 <strong>EIN Number:</strong>显而易见，我可以从上面的第一个代码块中提取出来。但是，如何获得实际数字？如以下屏幕截图所示，是 98-1455367吗？

作为参考，我将在熊猫df中将EIN号放在每个公司的旁边-但要等到我自己提取EIN号之后才能真正做到这一点。

Answer 1

请参考docs，您可能想使用标签的next_sibling，首先捕获强标签，然后从上下文中获取下一项：

strong_element.next_sibling    # contains "EIN number"

在此上下文中，“同级”是下一个节点，而不是下一个元素/标签。元素的下一个节点是文本节点，因此您可以获取想要的文本。