Question

我有一个页面，其中包含几个重复：<div...><h4>...<p>...例如：

html = '''
<div class="proletariat">
<h4>sickle</h4>
<p>Ignore this text</p>
</div>
<div class="proletariat">
<h4>hammer</h4>
<p>This is the text we want</p>
</div>
'''

from bs4 import BeautifulSoup
soup = BeautifulSoup(html)

如果我写print soup.select('div[class^="proletariat"] > h4 ~ p')，我会得到：

[<p>Ignore this text</p>, <p>This is the text we want</p>]

如何在<h4>hammer</h4>之前指定我只需要p的文本？

由于

Answer 1

html = '''
<div class="proletariat">
<h4>sickle</h4>
<p>Ignore this text</p>
</div>
<div class="proletariat">
<h4>hammer</h4>
<p>This is the text we want</p>
</div>
'''
import re
from bs4 import BeautifulSoup
soup = BeautifulSoup(html)

print(soup.find("h4", text=re.compile('hammer')).next_sibling.next.text)
This is the text we want

Answer 2

:contains()可以提供帮助，但不支持。

考虑到这一点，您可以将select()与find_next_sibling()结合使用：

print next(h4.find_next_sibling('p').text 
           for h4 in soup.select('div[class^="proletariat"] > h4') 
           if h4.text == "hammer")

使用页面文本使用`Beautiful Soup`选择`html`元素

2 个答案: