如何获取 </h3> 和 <br/> 之间的文本值

Question

我正在尝试使用 python 和 beautiuflsoup 进行屏幕抓取。我遇到一个问题是我不知道如何获取<br/>之前的文本值

这是一个例子：

<h3>
    Francois  Abboud
</h3>
Professor,&nbsp;
Internal Medicine
<br />
<br />

Answer 1

tsup，如果您将该 html 分配给这样的字符串值：

html = 'your html here'

然后你可以对其进行拆分，字符串将被拆分为一个字符串值数组，在你指定的分隔符的任一侧保存字符串：

def extractmyCrap(html):
   h3splitStrings = html.split('</h3>')
   h3splitStrings = h3splitStrings[1]
   extractedText = h3splitStrings.split('<br/>')
   return extractedText[0]

如果您需要任何进一步的帮助，或者我对您的问题的理解不正确，请发表评论

Answer 2

我觉得你可以用.next_sibling:

>>> from bs4 import BeautifulSoup
>>> 
>>> html = """
... <h3>
...     Francois  Abboud
... </h3>
... Professor,&nbsp;
... Internal Medicine
... <br />
... <br />
... """
>>> 
>>> soup = BeautifulSoup(html)
>>> 
>>> for h3 in soup.findAll("h3"):
...     print 'h3:'
...     print repr(h3)
...     print 'next sibling:'
...     print repr(h3.next_sibling)
... 
h3:
<h3>
    Francois  Abboud
</h3>
next sibling:
u'\nProfessor,\xa0\nInternal Medicine\n'

我应该说两分钟前我不知道该怎么做，但我知道findAll。所以我得到了一个 h3 对象，我使用 IPython 的选项卡完成来查看其中的内容，它有 h3.next_element 和 h3.next_sibling 之类的东西，我尝试了它们直到一个工作。