Question

我有一些我正在使用BeautifulSoup解析的HTML代码。其中一个要求是标签不嵌套在段落或其他文本标签中。

例如，如果我有这样的代码：

<p>
    first text
    <a href="...">
        <img .../>
    </a>
    second text
</p>

我需要把它变成这样的东西：

<p>first text</p>
<img .../>
<p>second text</p>

我已经做了一些事情来提取图像并在段落之后添加它们，如下所示：

for match in soup.body.find_all(True, recursive=False):                
    try:            
        for desc in match.descendants:
            try:
                if desc.name in ['img']:      

                    if (hasattr(desc, 'src')):                            
                        # add image as an independent tag
                        tag = soup.new_tag("img")
                        tag['src'] = desc['src']

                        if (hasattr(desc, 'alt')):
                            tag['alt'] = desc['alt']
                        else
                            tag['alt'] = ''

                        match.insert_after(tag)

                    # remove image from its container                            
                    desc.extract()

            except AttributeError:
                temp = 1

    except AttributeError:
        temp = 1

我已经编写了另一段删除空元素的代码（比如删除其图像后留空的标记），但我不知道如何将元素拆分为两个不同的元素。

Answer 1

import string
the_string.split(the_separator[,the_limit])

这会产生一个数组，所以你可以通过for循环或者手动获取元素。

不需要the_limit

在你的情况下，我认为the_separator需要是“\ n” 但这取决于具体情况。解析非常有趣，但有时候很难做到。

Answer 2

from bs4 import BeautifulSoup as bs
from bs4 import NavigableString
import re

html = """
<div>
<p> <i>begin </i><b>foo1</b><i>bar1</i>SEPATATOR<b>foo2</b>some text<i>bar2 </i><b>end </b> </p>
</div>
"""
def insert_tags(parent,tag_list):
    for tag in tag_list:
        if isinstance(tag, NavigableString):
            insert_tag = s.new_string(tag.string)
            parent.append(insert_tag)
        else:
            insert_tag = s.new_tag(tag.name)
            insert_tag.string = tag.string
            parent.append(insert_tag)

s = bs(html)
p = s.find('p')
print s.div
m = re.match(r"^<p>(.*?)(SEPATATOR.*)</p>$", str(p))
part1 = m.group(1).strip()
part2 = m.group(2).strip()

part1_p = s.new_tag("p")
insert_tags(part1_p,bs(part1).contents)

part2_p = s.new_tag("p")
insert_tags(part2_p,bs(part2).contents)

s.div.p.replace_with(part2_p)
s.div.p.insert_before(part1_p)
print s.div

与我合作正常，因为我没有为此目的使用嵌套HTML。不可否认，它仍然看起来很尴尬。它在我的例子中产生

<div>
<p><i>begin </i><b>foo1</b><i>bar1</i></p>
<p>SEPATATOR<b>foo2</b>some text<i>bar2 </i><b>end </b></p>
</div>

使用BeautifulSoup拆分元素

2 个答案: