获取标签之外的文本答案

【问题标题】：Get Text outside of tags as well获取标签之外的文本
【发布时间】：2015-04-07 22:45:22
【问题描述】：

我正试图从一个糟糕透顶的网站中获取一些文本。这是我被难住的部分：

    <tr><td valign="top">
                    <br>
                    <b>AGFA&nbsp;ACCUSET,&nbsp;<i>1994</i></b>&nbsp;<font color=grey>(46965)</font><br>
                    <br>
                    <b>Equipements : </b><br>AGFA 9800<br>
WITH RIP VIPER N°2<br>
FILM PROCESSOR GLUNZ AND JENSEN ML35 n°26498<br>
(LAIZE 450/600mm)<br>
Spectraset 2200<br>
                    <b>Availability : </b>IMMEDIATE<br></td><tr>

我需要的是里面的所有文字，所以

爱克发 ACCUSET，1994 年 (46965)

设备：AGFA 9800

与 RIP VIPER N°2

胶片处理器 GLUNZ 和 JENSEN ML35 n°26498

(莱泽450/600mm)

光谱集 2200

可用性：立即

如您所见，有些文本在<b>-tags 内，有些在<br>-tags 的前面。如果我使用soup.getText()，我会得到标签之外的文本，但我也会得到很多我不想要的其他文本，所以这真的不起作用。

编辑：This 是相关网站的链接。

EDIT2：原来我使用了错误的解析器。有关详细信息，请参阅下文。

【问题讨论】：

标签： python html python-3.x beautifulsoup html-parsing

【解决方案1】：

我认为get_text() 没有问题：

>>> from bs4 import BeautifulSoup
>>> 
>>> data = """
... <tr><td valign="top">
...                     <br>
...                     <b>AGFA&nbsp;ACCUSET,&nbsp;<i>1994</i></b>&nbsp;<font color=grey>(46965)</font><br>
...                     <br>
...                     <b>Equipements : </b><br>AGFA 9800<br>
... WITH RIP VIPER N°2<br>
... FILM PROCESSOR GLUNZ AND JENSEN ML35 n°26498<br>
... (LAIZE 450/600mm)<br>
... Spectraset 2200<br>
...                     <b>Availability : </b>IMMEDIATE<br></td><tr>
... """
>>> 
>>> soup = BeautifulSoup(data)
>>> print(soup.tr.td.get_text())


AGFA ACCUSET, 1994 (46965)

Equipements : AGFA 9800
WITH RIP VIPER N°2
FILM PROCESSOR GLUNZ AND JENSEN ML35 n°26498
(LAIZE 450/600mm)

Spectraset 2200
Availability : IMMEDIATE

这是使用您分享的链接的演示：

>>> from bs4 import BeautifulSoup
>>> import requests
>>> 
>>> url = "http://agec.de/index.asp?a=1&lg=de&macnum=46965"
>>> 
>>> response = requests.get(url)
>>> soup = BeautifulSoup(response.content)
>>> 
>>> soup.select('section#main_section aside#machine_detail form > table > tr')[1].get_text()


AGFA ACCUSET, 1994 (46965)

Equipements : AGFA 9800
WITH RIP VIPER N°2
FILM PROCESSOR GLUNZ AND JENSEN ML35 n°26498
(LAIZE 450/600mm)
Spectraset 2200
Availability : IMMEDIATE

【讨论】：

我已经尝试过类似的方法。可悲的是，这个结果什么也没返回。这可能是因为网站的构建方式很奇怪。如果您有兴趣查看，这里是整页的link。但请注意：它很丑。
感谢您的快速回复！可悲的是，当我得到一个IndexError: list index out of range 时，这似乎仍然返回一个空对象，即使我在 Python 解释器中逐步执行完全相同的代码。
@FreshPrince 明白了，这可能是一个单独的问题，因为 bs 在底层使用的解析器之间存在差异。尝试改用soup = BeautifulSoup(response.content, 'html.parser')。让我知道它是否有帮助。