Question

作为bs4的新手，我正在寻找一些帮助来解决如何从一系列网页表中提取文本的问题，其中一个是这样的：

<table style="padding:0px; margin:1px" width="715px">
<tr>
<td height="22" width="33%" >
<span class="darkGreenText"><strong> Name: </strong></span>
Tyto alba
</td>
<td height="22" width="33%" >
<span class="darkGreenText"><strong> Order: </strong></span>
Strigiformes
</td>
<td height="22" width="33%">
<span class="darkGreenText"><strong> Family: </strong></span>
Tytonidae
</td>
<td height="22" width="66%" colspan="2">
<span class="darkGreenText"><strong> Status: </strong></span>
Least Concern
</td>
</tr>
</table>

期望的输出：

Name: Tyto alba
Order: Strigiformes
Family: Tytonidae
Status: Least Concern

我已尝试按照建议使用[index]（https://stackoverflow.com/a/35050622/1726290），还有next_sibling（https://stackoverflow.com/a/23380225/1726290）但是我被卡住了，因为我需要的文本的一部分被标记，而第二部分则没有。任何帮助将不胜感激。

Answer 1

看起来你想要的是在BeautifulSoup标签上调用get_text(strip=True)（docs）。假设raw_html是你粘贴在上面的html：

htmlSoup = BeautifulSoup(raw_html) for tag in htmlSoup.select('td'): print(tag.get_text(strip=True))

打印：

Name:Tyto alba Order:Strigiformes Family:Tytonidae Status:Least Concern

美丽的汤：提取标记和未标记的HTML文本

1 个答案: