使用BeautifulSoup拆分HTML文档

Question

我们处理长聚合的HTML文档（转换为PDF）。 在某些情况下，聚合的HTML文档必须按章节（以H1标签开头的专用HTML页面）或子章节（从每个H1或H2标签开始的专用HTML页面）拆分。到目前为止，我们使用BeautifulSoup来处理聚合的HTML，但我们找不到使用BeautifulSoup以适当的方式提取子文档（例如从第一个H1到下一个H2）的正确方法。

Answer 1

我在使用BeautifulSoup方面有一些经验，我不确定它是否支持你想要直接做什么。这是两个想法

<强>搜索

以下是它拥有的搜索工具的一些文档。也许你可以搜索H1s和H2s，看看是否有助于提取子文档

http://www.crummy.com/software/BeautifulSoup/documentation.html#Searching the Parse Tree

漂亮的打印+ grep

BeautifulSoup有一个非常有用的美化功能，可以很好地打印html。一旦完成，每个H1或H2将在它自己的行上，在这种情况下，人们可以轻松地使用像grep这样的文本操作实用程序来轻松确定行号。包含H1和H2，简单地将文本放在中间。

http://www.crummy.com/software/BeautifulSoup/documentation.html#Printing a Document

Answer 2

由于没有向您提出解析器的解决方案，我是否可以建议您使用正则表达式自行管理？

丹麦语的第二点具有相同的性质，因为grep这个名字来自“全球 - 正则表达 - 印刷”。但由于必须将美化功能用于初步治疗，因此很复杂。

相反，正则表达式是一个强大的工具，可以直接用于文本。

你能提供更多关于你想做什么的信息吗？