Question

当我在“Inspect Element”模式中查看时，我正试图拉出被归类为（文本）的东西：

<div class="sammy"
  <div class = "sammyListing">
    <a href="/Chicago_Magazine/blahblahblah">
       <b>BLT</b>
       <br>
       " 
           Old Oak Tap" <---**THIS IS THE TEXT I WANT**
       <br>
       <em>Read more</em>
    </a>
  </div>
</div>

到目前为止，这是我的代码，最后的行是最后列表理解：

STEM_URL = 'http://www.chicagomag.com'
BASE_URL = 'http://www.chicagomag.com/Chicago-Magazine/November-2012/Best-Sandwiches-Chicago/'

soup = BeautifulSoup(urlopen(BASE_URL).read())
sammies = soup.find_all("div", "sammy")
sammy_urls = []
for div in sammies:
    if div.a["href"].startswith("http"):
        sammy_urls.append(div.a["href"])
    else:
        sammy_urls.append(STEM_URL + div.a["href"])
    restaurant_names = [x for x in div.a.content]

我已尝试div.a.br.content，div.br，但似乎无法做到正确。

如果建议使用RegEx方式，我也非常感谢nonRegEx方式。

Answer 1

使用CSS selector和find the next text sibling找到每个商家信息的b元素：

for b in soup.select("div.sammy > div.sammyListing > a > b"):
    print b.find_next_sibling(text=True).strip()

演示：

In [1]: from urllib2 import urlopen

In [2]: from bs4 import BeautifulSoup

In [3]: soup = BeautifulSoup(urlopen('http://www.chicagomag.com/Chicago-Magazine/November-2012/Best-Sandwiches-Chicago/'))

In [4]: for b in soup.select("div.sammy > div.sammyListing > a > b"):
   ...:     print b.find_next_sibling(text=True).strip()
   ...:     
Old Oak Tap
Au Cheval
...
The Goddess and Grocer
Zenwich
Toni Patisserie
Phoebe’s Bakery

在BeautifulSoup期间拉动HTML标记之间的特定（文本）间隔

1 个答案: