首页 文章

使用beautifulsoup排除内部标签和特定标签

提问于
浏览 次
0

这可能是一个基本问题，但我无法弄清楚 . 还在学习如何使用beautifulsoup .

我正在尝试解析看起来像的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>

这样只读取li标签并忽略label标签 . 也就是说，结果文本将是

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

我试过了

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组合在一起 . 它还会在网页上读取一堆其他文本并将其打印出来 .

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，以便我可以得到

1）只是li标签中的文本，不包括label标签中的文本（如上面预期的那样）或

2）特定标签的li标签中的文本（例如，指定“锦标赛ID”标签并返回“000002”） .

python html web-scraping beautifulsoup

1 回答

  • 0

    来自BeautifulSoup's文档：

    decompose() 从树中删除标记，然后完全销毁它及其内容：

    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
    回复于

相关问题