如何找到没有链接的h1标签html格式的文本？

Question

我想在这里找到一个文字＆＃34; 文字标题＆＃34;在下面的脚本中：

<h1 class="titleClass" itemprop="name">
    Text title here
    <a class="titleLink" href="somelink-here.html">
        text link here
    </a>
</h1>

我使用python beautifulsoup。

Answer 1

您可以获取整个h1标记，然后按如下方式提取所有链接：

from bs4 import BeautifulSoup

html = """<h1 class="titleClass" itemprop="name">
    Text title here
    <a class="titleLink" href="somelink-here.html">
        text link here
    </a>
</h1>"""

soup = BeautifulSoup(html)

p = soup.find('h1', attrs={'class': 'titleClass'})
p.a.extract()
print p.text.strip()

这会显示：

Text title here

Answer 2

您可以使用正则表达式和BeautiFulSoup的组合：

import re
from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')
for link in soup.find_all('a', string=re.compile(r'^text link')):
    print link

这将找到以text link开头的所有链接。

Answer 3

导航至<h1>并从.stripped_strings生成器获取第一个字符串：

>>> from bs4 import BeautifulSoup
>>> next(BeautifulSoup(html).select_one('h1.titleClass').stripped_strings)
'Text title here'