我在一个文件夹中有30911个html文件。我需要（1）检查它是否包含标签：
<strong>123</strong>
和（2）提取以下内容直到本节结束。
但我发现问题是其中一些在
之前结束了<strong>567</strong>
其中一些没有这样的标签，在
之前结束<strong>89/strong> or others(that I do not know because I cant check 30K+files)
每个文件中也有不同的p p_number，有时没有id
首先我使用beautifulsoup进行搜索，但我不知道如何进行下一个提取内容
soup = bs4.BeautifulSoup(fo, "lxml")
m = soup.find("strong", string=re.compile("123"))
line 1
line 2
...
lin 50
如果使用p.get_text（strip = true），它们就在一起了。
line1 content line2 content ...
line50 content....
答案 0 :(得分：1)
如果我理解正确，您可以先找到起点 - strong元素，其中p元素带有“问答会话”文本。然后，您可以遍历strong元素的next siblings，直到您点击具有“版权政策”文字的import re
from bs4 import BeautifulSoup
data = """
<body>
<p class="p p4" id="question-answer-session">
<strong>
Question-and-Answer Session
</strong>
</p>
<p class="p p4">
Hi John and Greg, good afternoon. contents....
</p>
<p class="p p14">
<strong>
Copyright policy:
</strong>
other content about the policy....
</p>
</body>
"""
soup = BeautifulSoup(data, "html.parser")
def find_question_answer(tag):
return tag.name == 'p' and tag.find("strong", text=re.compile(r"Question-and-Answer Session"))
question_answer = soup.find(find_question_answer)
for p in question_answer.find_next_siblings("p"):
if p.find("strong", text=re.compile(r"Copyright policy")):
break
print(p.get_text(strip=True))
元素的元素。
完整的可重复示例：
Hi John and Greg, good afternoon. contents....
打印：
{{1}}