Question

这可能是一个基本问题，但我还没能弄明白。还在学习如何使用beautifulsoup。

我试图解析看起来像

的HTML

<dl class="">
<div>
<ol>
<li><label>Tournament Name</label>TCG Saturday</li>
<li><label id="tournament_id" data-tournament-id="000002">Tournament ID</label>000002</li>
<li><label>Category</label>TCG: Unlimited</li>
<li><label>Registration</label>12:15PM to 1:15PM</li>
<li><label>Status</label>Complete</li>
</ol>
</div>
</dl>

以便只读取li标签并忽略label标签。也就是说，生成的文本将是

TCG Saturday
000002
TCG: Unlimited
12:15PM to 1:15PM
Complete

我已经尝试了

soup = BeautifulSoup(html)
for lis in soup.find_all('li'):
    print(lis.text)

但这也会导致读取标签标签的文本并将它们连在一起。它还会在网页上读取一堆其他文字并将其打印出来。

Tournament NameTCG Saturday
Tournament ID000002
CategoryTCG: Unlimited
Registration12:15PM to 1:15PM
StatusComplete

我也可以使用

获取标签

soup = BeautifulSoup(html)
for lis in soup.find_all('label'):
    print(lis.text)

但之后没有文字（这是可以理解的）。

我不明白如何解析这个HTML，以便我可以

1）只是li标签中的文字，不包括标签标签中的文字（如上文所预期）或

2）特定标签的li标签中的文字（例如，指定＆＃34;锦标赛ID＆＃34;标签并获得＆＃34; 000002＆＃34;返回）。

Answer 1

来自BeautifulSoup's文档：

decompose()从树中删除标签，然后完全销毁它及其内容：

代码：

from bs4 import BeautifulSoup

data = '''
<dl class="">
<div>
<ol>
<li><label>Tournament Name</label>TCG Saturday</li>
<li><label id="tournament_id" data-tournament-id="000002">Tournament ID</label>000002</li>
<li><label>Category</label>TCG: Unlimited</li>
<li><label>Registration</label>12:15PM to 1:15PM</li>
<li><label>Status</label>Complete</li>
</ol>
</div>
</dl>
'''

soup = BeautifulSoup(data, 'html.parser')
for lis in soup.find_all('li'):
    lis.label.decompose()
print(soup.text)

输出：

TCG Saturday
000002
TCG: Unlimited
12:15PM to 1:15PM
Complete

使用beautifulsoup

1 个答案: