Question

我有这个html文件：

<html>
    <head></head>
    <body>
        Text1  
        Text2
        <a href="XYCL7Q.html">
            Text3 
        </a>
    </body>
</html>

我想单独收集Text1，Text2和Text3。对于Text3我没有问题，但我无法捕获Text1-2;通过这样做：

 from urllib import urlopen
 from bs4 import BeautifulSoup

 url = 'myUrl';
 html = urlopen(url).read()
 soup = BeautifulSoup(html)
 soup.body.get_text()

由于Text1-2可能包含一些空格，因此我得到所有文本（因为我再次获得Text3后的第一个问题）没有很好地分离...例如，如果Text1是“hello world”而Text2是“foo bar”，那么结束我想要一个2个字符串的列表：

 results = ['hello world', 'foo bar']

我该怎么做？谢谢你的答案......

Answer 1

您想要的文本是＆＃34; body＆＃34;的第一个子节点。你可以把它拉出来并去除污垢

>>> from bs4 import BeautifulSoup as bs
>>> soup=bs("""<html>
...     <head></head>
...     <body>
...         Text1  
...         Text2
...         <a href="XYCL7Q.html">
...             Text3 
...         </a>
...     </body>
... </html>""")
...
>>> body=soup.find('body')
>>> type(next(body.children))
<class 'bs4.element.NavigableString'>
>>> next(body.children)
u'\n        Text1  \n        Text2\n        '
>>> [stripped for stripped in (item.strip() for item in next(body.children).split('\n')) if stripped]
[u'Text1', u'Text2']

使用BeautifulSoup解析html文件

1 个答案: