Question

我需要你的帮助：我的<p>标记包含许多其他标记，如下例所示：

<p>I <strong>AM</strong> a <i>text</i>.</p>

我想只获得“我是一个文本”所以我打开（）标记strong和i 使用以下代码：

for elem in soup.find_all(['strong', 'i']):
    elem.unwrap()

接下来，如果我打印soup.p一切都是正确的，但如果我不知道我的字符串所在的标签的名称，问题就开始了！

下面的代码应该更清楚：

from bs4 import BeautifulSoup

html = '''
<html>
    <header></header>
    <body>
        <p>I <strong>AM</strong> a <i>text</i>.</p>
    </body>
</html>
'''
soup = BeautifulSoup(html, 'lxml')

for elem in soup.find_all(['strong', 'i']):
    elem.unwrap()

print soup.p 
# output :
# <p>I AM a text.</p>

for s in soup.stripped_strings:
    print s
# output 

'''
I
AM
a
text
.
'''

为什么BeautifulSoup将我的unwrap（）连接起来之前将我的所有字符串分开？

Answer 1

如果 .unwrap() 标记，则删除标记，并将内容放在父标记中。但是文本未合并，因此，您获得了NavigableString s 的列表（str的子类）：

>>> [(c,type(c)) for c in soup.p.children] [('I ', <class 'bs4.element.NavigableString'>), ('AM', <class 'bs4.element.NavigableString'>), (' a ', <class 'bs4.element.NavigableString'>), ('text', <class 'bs4.element.NavigableString'>), ('.', <class 'bs4.element.NavigableString'>)]

因此，每个元素都是分隔的文本元素。因此，虽然您删除了标记本身并注入了文本，但这些字符串不会连接在一起。这似乎是合乎逻辑的，因为左侧和右侧的元素仍然是标记：通过展开<strong>您还没有同时解开<i>。

但是，您可以使用.text来获取全文：

>>> soup.p.get_text() 'I AM a text.'

或者您可以决定将join元素组合在一起：

>>> ''.join(soup.p.strings) 'I AM a text.'

展开后获取带有beautifulSoup的真实文本（）

1 个答案: