BeautifulSoup将不同段落中的单词连接起来

Question

我有一个需要使用的EPUB文件。我正在尝试从文件中存在的HTML文件中提取文本。当我对提取的HTML内容运行soup.get_text()时，所有段落都将合并在一起，将单词组合在一起。

我尝试用空格替换所有<br>和</br>标签。我还尝试将解析器从html.parser更改为html5lib。

with self._epub.open(html_file) as chapter:
    html_content = chapter.read().decode('utf-8')
    html_content = html_content.replace('</br>', ' ')
    html_content = html_content.replace('<br>', ' ')
    soup = bs4.BeautifulSoup(html_content, features="html5lib")
    clean_content = soup.get_text()

输入HTML：

<p>第1段。第1行</p>

<p>第2行<p>

预期输出：

段落1。 第1行第2行

实际输出： 第1段 Line1Line2

Answer 1

您可以那样做。一旦获得html。

from bs4 import BeautifulSoup

html='''<p>Paragraph1. Line 1</p><p>Line 2<p>'''

    soup=BeautifulSoup(html,'html.parser')
    itemtext=''
    for item in soup.select('p'):
        itemtext+=item.text + ' '

    print(itemtext.strip())

输出：

Paragraph1. Line 1 Line 2