用 beautifulsoup 排除内部标签和特定标签答案

【问题标题】：Exclude inner tag and specific label with beautifulsoup用 beautifulsoup 排除内部标签和特定标签
【发布时间】：2018-09-23 03:11:30
【问题描述】：

这可能是一个基本问题，但我无法弄清楚。仍在学习如何使用 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>

这样就只读取了 li 标签，而忽略了 label 标签。也就是说，生成的文本将是

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。它还会读取网页上的一堆其他文本并打印出来。

Tournament NameTCG Saturday
Tournament ID000002
CategoryTCG: Unlimited
Registration12:15PM to 1:15PM
StatusComplete

我也可以使用

获取标签

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 p>

1) 只是 li 标签中的文本，不包括 label 标签中的文本（如上预期）或

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

【问题讨论】：

标签： python html web-scraping beautifulsoup

【解决方案1】：

来自BeautifulSoup's 文档：

decompose() 从树中删除一个标签，然后完全销毁它及其内容：

代码：

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

【讨论】：