Question

我在为BeautifulSoup制定一个findAll查询时遇到了一些麻烦，我会按照自己的意愿行事。以前，我使用findAll仅从某些html中提取文本，基本上剥离了所有标记。例如，如果我有：

<b>Cows</b> are being abducted by aliens according to the
<a href="www.washingtonpost.com>Washington Post</a>.

它将减少为：

Cows are being abducted by aliens according to the Washington Post.

我会使用''.join(html.findAll(text=True))来完成此操作。这工作得很好，直到我决定只保留<a>标签，但剥去剩下的标签。所以，给出最初的例子，我最终会得到这个：

Cows are being abducted by aliens according to the
<a href="www.washingtonpost.com>Washington Post</a>.

我最初认为以下方法可以解决问题：

''.join(html.findAll({'a':True}, text=True))

但是，这不起作用，因为text=True似乎表明它只会找到文本。我需要的是一些OR选项 - 我想找到文本OR <a>标签。重要的是标签留在他们标记的文本周围 - 我不能让标签或文本出现乱序。

有什么想法吗？

Answer 1

注意：BeautifulSoup.findAll是搜索API。 findAll的第一个命名参数name可用于将搜索限制为给定的一组标记。只需一个findAll，就无法选择标记之间的所有文字，同时选择<a>的文字和标记。所以我提出了以下解决方案。

此解决方案取决于导入的BeautifulSoup.Tag。

from BeautifulSoup import BeautifulSoup, Tag

soup = BeautifulSoup('<b>Cows</b> are being abducted by aliens according to the <a href="www.washingtonpost.com>Washington Post</a>.')
parsed_soup = ''

我们像使用contents方法的列表一样导航解析树。我们只在标记为标记且标记不是<a>时才提取文本。否则，我们会得到包含标签的整个字符串。这使用navigating the parse tree API。

for item in soup.contents:
    if type(item) is Tag and u'a' != item.name:
        parsed_soup += ''.join(item.findAll(text = True))
    else:
        parsed_soup += unicode(item)

保留文字的顺序。

 >>> print parsed_soup
 u'Cows are being abducted by aliens according to the <a href=\'"www.washingtonpost.com\'>Washington Post</a>.'

在BeautifulSoup中查找标签和文本

1 个答案: