BeautifulSoup：`find_all` 和 `get_text`答案

【问题标题】：BeautifulSoup: `find_all` and `get_text`BeautifulSoup：`find_all` 和 `get_text`
【发布时间】：2019-12-20 09:51:51
【问题描述】：

我有一些格式如下的 xml：

  <Paragraph Type="Character">
   <Text>
    TED
   </Text>
  </Paragraph>
  <Paragraph Type="Dialogue">
   <Text>
    I thought we had a rule against that.
   </Text>
  </Paragraph>
  <Paragraph Type="Character">
   <Text>
    ANNIE
   </Text>
  </Paragraph>
  <Paragraph Type="Dialogue">
   <Text>
    ...oh.

我正在尝试提取数据，使其看起来像这样：

Character   Dialogue

TED         I thought we had a rule against that.
ANNIE       ...oh.

我一直在尝试：

soup.find(Type = "Character").get_text()
soup.find(Type = "Dialogue").get_text()

一次返回一行。当我尝试做不止一个时，soup.find_all，即：

soup.find_all(Type = "Character").get_text()

我得到错误：

AttributeError: ResultSet object has no attribute 'get_text'. You're probably treating a list of items like a single item. Did you call find_all() when you meant to call find()?

我知道find_all() 返回一个元素数组（感谢之前的回答：https://stackoverflow.com/a/21997788/8742237），我应该选择数组中的一个元素，但我想获取数组中的所有元素变成我上面展示的格式。

【问题讨论】：

标签： python xml beautifulsoup

【解决方案1】：

要获得一对Character和Dialogue，可以使用zip()方法：

html_data = '''  <Paragraph Type="Character">
   <Text>
    TED
   </Text>
  </Paragraph>
  <Paragraph Type="Dialogue">
   <Text>
    I thought we had a rule against that.
   </Text>
  </Paragraph>
  <Paragraph Type="Character">
   <Text>
    ANNIE
   </Text>
  </Paragraph>
  <Paragraph Type="Dialogue">
   <Text>
    ...oh.
   </Text>
  </Paragraph>
  '''

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_data, 'html.parser')

print('{: <10} {}'.format('Character', 'Dialogue'))
print()
for character, dialogue in zip(soup.select('[Type="Character"]'), soup.select('[Type="Character"] + [Type="Dialogue"]')):
    print('{: <10} {}'.format( character.get_text(strip=True), dialogue.get_text(strip=True)) )

打印：

Character  Dialogue

TED        I thought we had a rule against that.
ANNIE      ...oh.

CSS 选择器[Type="Character"] + [Type="Dialogue"] 将选择带有Type=Dialogue 的标签，该标签紧跟在带有Type=Character 的标签之后

更多：CSS Selectors Reference

【讨论】：

对于将来遇到这个问题的人来说，上面的 CSS 选择器参考链接非常好。
我仍在努力解决这个问题，因为我仍在学习和搜索每个命令。如果我想将输出保存在列表或 zip 对象中，有没有简单的方法可以做到这一点？
没关系，我想通了。谢谢。

【解决方案2】：

您是否尝试过遍历数组并获取这样的文本？

[x.get_text() for x in soup.find_all(Type = "Character")]

数组没有 get_text() 属性，但元素应该有。

【讨论】：

效果很好，我会考虑通过循环提取所有内容。您对如何将 Dialogue 文本与紧接在其前面的 Character 文本配对，如我上面显示的所需输出有什么建议吗？
在这种情况下我不会使用find_all()，因为您现在有两个单独的段落列表，它们可能并不完全相关。相反，使用find() 获取第一段，然后使用next_sibling 在while 循环中移动到下一段。检查每个段落的类型以决定如何格式化。
只创建字符列表，然后创建对话列表并执行 list(zip(character list, dialog list)) 假设列表的长度相同。这将使他们配对

【解决方案3】：

Andrej Kesely 的答案正是我想要的： https://stackoverflow.com/a/57484760/8742237

以防万一以后看到这个问题的人是初学者，我尝试将其分解：

list1 = [x.get_text(strip = True) for x in soup.select('[Type="Character"]')]
print(list1)

list2 = [x.get_text(strip = True) for x in soup.select('[Type="Dialogue"]')]
print(list2)

zip1 = zip(list1, list2)
print(list(zip1))

【讨论】：