Question

我有一些看起来像这样的HTML：

<div>
Bla bla bla <b>bold stuff</b> Bla bla.
But somewhere else the words bold stuff may appear not in bold
</div>

我想解析此文本以提取粗体元素，将非粗体元素解析为单独的列表：

bolds = ['bold stuff']
normal_test = [
    'Bla bla bla ', 
    'Bla bla.\nBut somewhere else the words bold stuff may appear not in bold'
]

我可能是愚蠢的，但我无法弄清楚如何使用“标准”html解析器来做到这一点。

我可以提取元素的全文，包括粗体，我可以提取粗体，但我发现无法弄清楚每个粗体之前和之后的文本是什么，因为可能存在问题非粗体字符串。

我正在使用lxml，但愿意考虑使用其他解析器的解决方案，或者我不知道的任何聪明的xpath选择器......

但是，否则，我将采用正则表达式......我们都知道，这将是the end of the world

有人可以在太晚之前拯救地球吗？

Answer 1

所以我认为这是不可能的，但事实证明，如果你使用正确的库，那就不太难了。

使用BeautifulSoup 4，您可以使用.children属性：

html = '''<div>
Bla bla bla <b>bold stuff</b> Bla bla.
But somewhere else the words bold stuff may appear not in bold
</div>'''
import bs4
soup = bs4.BeautifulSoup(html)
print(list(soup.div.children))
[u'\nBla bla bla ',
 <b>bold stuff</b>,
 u' Bla bla.\nBut somewhere else the words bold stuff may appear not in bold\n']

从那以后实现我想要的东西是相当微不足道的。

如果有人能用lxml做这件事，我还有兴趣吗？

按标签拆分HTML（或XML）节点文本

1 个答案: