Question

我有一个类似于以下内容的html文件：

    <h2>section 1</h2>
    <p>para 1</p>
    <p>para 2</p>
    <p>para 3</p>
    <h2>section 2</h2>
    <p>para 1</p>
    <p>para 2</p>
    <p>para 3</p>
    <h2>section 3</h2>
    <p>para 1</p>
    <p>para 2</p>
    <p>para 3</p>

我想把它们写成python字典：{'section1':'...', 'section2':'...', 'section3':'...'}，当然我可以设置一个current_section变量并使用while循环，但是有一个模块用于此目的吗？我已经查看了BeautifulSoup，但没有在那里找到捷径。

谢谢！

Answer 1

据我所知，soup.group_by_header()没有任何内容，但对于你所描述的输入，你想要的东西在任何情况下都是相当简单的：

>>> from bs4 import BeautifulSoup     
>>> html = """
...     <h2>section 1</h2>
...     <p>para 1</p>
...     <!-- etc. -->
... """
>>> soup = BeautifulSoup(html)
>>> sections = {}
>>> for header in soup("h2"):
...     paras = []
...     for sibling in header.find_next_siblings(text=False):
...         if sibling.name == "h2":
...             break
...         paras.append(sibling.string)
...     sections[header.string] = paras
... 
>>> sections
{u'section 1': [u'para 1', u'para 2', u'para 3'],
 u'section 2': [u'para 1', u'para 2', u'para 3'],
 u'section 3': [u'para 1', u'para 2', u'para 3']}
>>>

由于某些原因，这种方法是否有问题，或者您只是想知道是否有一些聪明的BeautifulSoup方法可以解决这些问题（并且公平地说，还有一些方法）？

Answer 2

我认为你想要string内置的split方法。如果您在html_string中找到的文字可以

sections = html_string.split('<h2>')  #this deletes the opening h2 tag
for section in sections:
    section = '<h2>' + section   #replace the opening h2 tag
    #code to parse each section goes here

这应该比使用while循环更清晰。

按标签按顺序对html内容进行分组

2 个答案: