Question

我想从我汤中最顶层的元素中提取文字;但是，soup.text也提供了所有子元素的文本：

我有

import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text

此输出为yesno。我只想'是'。

实现这一目标的最佳方式是什么？

修改：我还希望在解析“yes”时输出<html>noyes</html>。

Answer 1

.find(text=True)怎么样？

>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'

修改

我想我已经理解了你现在想要的东西。试试这个：

>>> BeautifulSoup.BeautifulSOAP('<html>noyes</html>').html.find(text=True, recursive=False) u'yes' >>> BeautifulSoup.BeautifulSOAP('<html>yesno</html>').html.find(text=True, recursive=False) u'yes'

Answer 2

您可以使用contents

>>> print soup.html.contents[0]
yes

或者获取html下的所有文本，使用findAll（text = True，recursive = False）

>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False) 
[u'x', u'yes']

以上加入形成单个字符串

>>> ''.join(soup.html.findAll(text=True, recursive=False)) 
u'xyes'

Answer 3

这适用于bs4：

import bs4
node = bs4.BeautifulSoup('<html><div>A<span>B</span>C</div></html>').find('div')
print "".join([t for t in node.contents if type(t)==bs4.element.NavigableString])

输出：

AC

Answer 4

您可能需要查看lxml的soupparser模块，该模块支持XPath：

>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']

仅从此元素中提取文本，而不是从子元素中提取文

4 个答案: