it-roy-ru.com

Использование Beautifulsoup для извлечения текста между переносами строк (например, теги <br />)

У меня есть следующий HTML-код, который находится в большем документе

<br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br />

В настоящее время я использую BeautifulSoup для получения других элементов в HTML, но я не смог найти способ получить важные строки текста между тегами <br />. Я могу изолировать и перейти к каждому из элементов <br />, но не могу найти способ получить текст между ними. Любая помощь будет принята с благодарностью. Благодарю.

16
maltman

Если вам нужен какой-либо текст между двумя тегами <br />, вы можете сделать что-то вроде следующего:

from BeautifulSoup import BeautifulSoup, NavigableString, Tag

input = '''<br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br />'''

soup = BeautifulSoup(input)

for br in soup.findAll('br'):
    next_s = br.nextSibling
    if not (next_s and isinstance(next_s,NavigableString)):
        continue
    next2_s = next_s.nextSibling
    if next2_s and isinstance(next2_s,Tag) and next2_s.name == 'br':
        text = str(next_s).strip()
        if text:
            print "Found:", next_s

Но, возможно, я неправильно понял ваш вопрос? Ваше описание проблемы, кажется, не совпадает с «важным»/«не важным» в данных вашего примера, поэтому я пошел с описанием;)

22
Mark Longair

Итак, в целях тестирования давайте предположим, что этот фрагмент HTML находится внутри тега span:

x = """<span><br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br /></span>"""

Теперь я собираюсь разобрать его и найти мой тег span:

from BeautifulSoup import BeautifulSoup
y = soup.find('span')

Если вы перебираете генератор в y.childGenerator(), вы получите как br, так и текст:

In [4]: for a in y.childGenerator(): print type(a), str(a)
   ....: 
<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 1

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Not Important Text

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 2

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 3

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Non Important Text

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 4

<type 'instance'> <br />
5
Ken Kinder

У меня сработало следующее:

for br in soup.findAll('br'):
    if str(type(br.contents[0])) == '<class \'BeautifulSoup.NavigableString\'>':
       print br.contents[0]
0
Pontios