Question

有多种方法可以分割beautifulSoup parsetree获取元素列表或获取标记的字符串。但是在拆分它时似乎没有办法保持树的完好无损。

我想在 上拆分以下代码段（汤）。使用字符串很简单，但我想保留结构，我想要一个parsetrees列表。

s="""<p>
foo<br />
<a href="http://...html" target="_blank">foo</a> | bar<br />
<a href="http://...html" target="_blank">foo</a> | bar<br />
<a href="http://...html" target="_blank">foo</a> | bar<br />
<a href="http://...html" target="_blank">foo</a> | bar
</p>"""
soup=BeautifulSoup(s)

显然，我可以做一个[BeautifulSoup(i) for i in str(soup).split(' ')]，但我很难看，而且我的链接太多了。

可以在soup.findAll（'br'）上使用soup.next和soup.previousSibling（）进行迭代，但不返回分析树，而只返回它包含的所有元素。

是否有解决方案从BeautifulSoup标签中提取完整的标签子树，保留所有父级和兄弟级关系？

编辑以获得更清晰：

结果应该是一个由BeautifulSoup-Objects组成的列表，我可以通过输出[0] .a，输出[1] .text等进一步遍历分裂的汤。在 上拆分汤将返回所有要进一步处理的链接列表，这就是我需要的。上面代码段中的所有链接，包含文字，属性和以下“条形码”，都是每个链接的说明。

Answer 1

如果您不介意更改原始树，我会在.extract()标记上使用 将其从树中删除：

>>> for br in soup.find_all('br'): br.extract()
... 
<br/>
<br/>
<br/>
<br/>
>>> soup
<html><body><p>
foo
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
</p></body></html>

这是一个完整的工作树：

>>> soup.p
<p>
foo
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
<a href="http://...html" target="_blank">foo</a> | bar
</p>
>>> soup.p.a
<a href="http://...html" target="_blank">foo</a>

但是你根本不需要删除这些标签来实现你想要的目标：

for link in soup.find_all('a'):
    print link['href'], ''.join(link.stripped_strings), link.next_sibling

结果：

>>> for link in soup.find_all('a'):
...     print link['href'], ''.join(link.stripped_strings), link.next_sibling
... 
http://...html foo  | bar
http://...html foo  | bar
http://...html foo  | bar
http://...html foo  | bar

无论有没有，我们首先从树中删除 标签。

将一个美丽的汤分成2个汤树

1 个答案: