Question

我有可能包含未打包文本的html文档，所有这些文本我需要包装在<p>中。例如：

<p>lorem ipsum dolor</p>
other text
<b>Some text</b>

我需要这样的html变换：

<p>lorem ipsum dolor</p>
<p>other text</p>
<p><b>Some text</b></p>

但是我确实找到了找到未包装的dom节点的bs方法。你有什么想法吗？

Answer 1

您可能会这样做：

from bs4 import BeautifulSoup, NavigableString

soup = BeautifulSoup("""<p>lorem ipsum dolor</p>
other text
<b>Some text</b>""")

首先使用soup.find获取所有有趣节点的父节点，然后使用所有有趣节点，如果它不是ap节点，则用标签p包装它，字符串节点被区别对待，因为它们包含新的行字符，需要将其删除：

for child in soup.find('body').children:
    if isinstance(child, NavigableString):
        p = soup.new_tag('p')
        p.append(child.strip())
        child.replace_with(p)
    elif child.name != 'p': 
        child.wrap(soup.new_tag('p'))

soup
<html>
    <body>
        <p>lorem ipsum dolor</p>
        <p>other text</p>
        <p><b>Some text</b></p>
    </body>
</html>

如果您不关心换行符号，可能就像：

for child in soup.find('body').children:
    if child.name != 'p': 
        child.wrap(soup.new_tag('p'))

Answer 2

您可能希望将其视为字符串，在这种情况下，您可以使用regex并找到您要查找的文字。

一旦你知道该区域是什么样的，你可以在字符串中搜索它并添加你的

这是一个正则表达式的例子：

>>> s = """<p>lorem ipsum dolor</p>
    other text
    <b>Some text</b>"""
>>> m = re.findall(r'</\w>\s*[\w\s]+\s*<\w>',s)
>>> m
['</p>\nother text\n<b>']

\ w匹配任何字符（a-z，A-Z，0-9）

\ s匹配任何空格

＆＃39; *＆＃39;表示0次或更多次重复

[\ w]表示字母或空格字符

＆＃39; +＆＃39;表示重复1次或多次

有关正则表达式的更多详细信息以及如何使用它，请查看python documentation

BeautifulSoup找到解开的文本

2 个答案: