Question

如果你能指出我正确的方向，我们将不胜感激。是否有更好的方法来执行此操作并捕获所有数据（使用html标记类＆＃34;文档文本＆＃34;））...

如果我喜欢这样的话。我在最后的原始html字符串中遗漏了一些标签，大小为20K（所以它的数据很多）。

(//td[@class='iconButton']/img[@eventpart='icon'])[3]

以下是抓取的代码，现在可以正常工作，但第二个新标签已添加，但它已被破坏。

soup = BeautifulSoup(r.content, 'html5lib')
c.case_html = str(soup.find('div', class_='DocumentText')
print(self.case_html)

示例html如下原始大约是20K字符串大小

 soup = BeautifulSoup(r.content, 'html5lib')
 c.case_html = str(soup.find('div', class_='DocumentText').find_all(['p','center','small']))
 print(self.case_html)

预期输出为此

<form name="form1" id="form1">
<div id="theDocument" class="DocumentText" style="position: relative; float: left; overflow: scroll; height: 739px;">
<p>PTag</p>
<p> <center> First center </center> </p>
<small> this is small</small>
<p>...</p>
<p> <center> Second Center </center> </p>
<p>....</p>
</div>
</form>

Answer 1

你可以试试这个。我只根据你给出的HTML代码给出答案。如果您需要澄清，请告诉我。谢谢！

 soup = BeautifulSoup(r.content, 'html5lib')
 case_html = soup.select('div.DocumentText')
 print(case_html.get_text())

BeautifulSoup缺失/跳过标签

1 个答案: