首页 文章

BeautifulSoup - 如何在不打开标签和标签之前提取文本？

提问于
浏览 次
2

我是python和beautifulsoup的新手，花了不少时间试图弄清楚这个 .
我想在没有类的 <div> 中提取三个特定的文本提取 .
我想要的第一个文本提取是在 <a> 标记内，该标记位于 <h4> 标记内 . 我设法提取它 .
第二个文本提取紧跟在结束h4标记 </h4> 之后，后跟一个 <br> 标记 .
第二个文本提取紧跟在第二个文本提取后的 <br> 标记之后，后面跟着一个 <br> 标记 .

这里是我使用的html提取：

<div>
    <h4 class="actorboxLink">
    <a href="/a-decheterie-de-bagnols-2689">Decheterie de Bagnols</a>
    </h4>
    Route des 4 Vents<br>
    63810 Bagnols<br>
</div>

我想提取：

Decheterie de Bagnols <有效

Route des 4 Vents <不起作用

63810 Bagnols <不起作用

这是我到目前为止的代码：

import urllib
from bs4 import BeautifulSoup    
data = urllib.urlopen(url).read()
soup = BeautifulSoup(data, "html.parser")
name = soup.findAll("h4", class_="actorboxLink")

for a_tag in name:
    print a_tag.text.strip()

我需要像“soup.findAll（ </h4> 之后的所有文字）”之类的东西

我使用.next_sibling玩，但我不能让它工作 .

有任何想法吗？谢谢

更新：
我试过这个：

for a_tag in classActorboxLink:
    print a_tag.find_all_next(string=True, limit=5)

这给了我：
[u '\n'，你'\r\n\t\t\t\t\t\tDecheterie\xa0de\xa0Bagnols\t\t\t\t\t'，你'\n'，你'\r\n\t\t\t\tRoute\xa0des\xa04\xa0Vents'，你'\r\n\t\t\t\t63810 Bagnols']

这是一个开始，但我需要重新获得所有的空白和不必要的角色 . 我尝试使用 .strip() ， .strings 和 .stripped_strings 但它不起作用 . 例子：

for a_tag in classActorboxLink.strings

for a_tag in classActorboxLink.stripped_strings

print a_tag.find_all_next(string=True, limit=5).strip()

对于这三个我得到：

AttributeError: 'ResultSet' object has no attribute 'strings/stripped_strings/strip'
python html parsing beautifulsoup html-parsing

2 回答

  • 0

    找到 h4 元素并使用find_next_siblings()：

    h4s = soup.find_all("h4", class_="actorboxLink")
for h4 in h4s:
    for text in h4.find_next_siblings(text=True):
        print(text.strip())
    回复于
  • 2

    如果你不需要在不同变量中寻找的3个元素中的每个元素，你可以使用 <div> 上的 get_text() 函数将它们全部放在一个字符串中 . 如果有其他 div 标签，但它们都有类，您可以找到所有 <div> 与 class=false . 如果您无法隔离您感兴趣的 <div> ，那么此解决方案将不适合您 .

    import urllib
from bs4 import BeautifulSoup    
data = urllib.urlopen(url).read()
soup = BeautifulSoup(data, "html.parser")

for name in soup.find_all("div", class=false)
     print name.get_text().strip()

    顺便说一句，这是python 3＆bs4

    回复于

相关问题