获取 BeautifulSoup 中父项的第一个文本实例答案

【问题标题】：Get first instance of text for parent item in BeautifulSoup获取 BeautifulSoup 中父项的第一个文本实例
【发布时间】：2017-09-21 16:49:47
【问题描述】：

我有以下 HTML：

<div>


  <h5>Item1</h5>
  $14.00<br>
  <br>

  <h5>Item2</h5>
  $16.29 (Shop Rite)<br>
  $15.49 (Costco)<br>
  <br>

  <h5>Item3</h5>
  ...
</div>

我正在尝试根据项目编号将此信息组织到一个列表中，如下所示：

+--------+--------------------+
| Item1  | $14.00 (BJs)       |
| Item2  | $16.29 (Shop Rite) |
| Item2  | $15.49 (Costco)    |
+--------+--------------------+

我想要类似以下的东西：

Items = []
if (BS.find('h5', text="Item1")):
  for content in BS.find('h5', text="Item1").parent:
    Price = BS.find('h5', text="Item1").parent.content[0]
    Items.append("Item1", Price)

我的主要目标是能够单独获取由<br> 标签分隔的文本，然后将其存储到名为Items 的列表中，但我不确定如何遍历每个<br> 标签<div> 标签基于<h5> 标签。

【问题讨论】：

标签： python html text beautifulsoup parent-child

【解决方案1】：

我建议您将收集到的数据收集在类似字典的对象中而不是列表中，这样您就可以将多个价格与每个标题文本相关联。我使用了 defaultdict 和 list 类型。

首先找到h5 元素的集合。然后找到每个兄弟姐妹的集合。但是请注意，第二个和第三个 h5 元素是第一个元素的兄弟，例如，这意味着，在处理任何给定 h5 的兄弟时，我们希望在遇到 another @987654326 时停止@。当我们看到这一点时，我们break。以类似的方式，当我们遇到br 元素时，我们会忽略它；我们continue 继续下一个兄弟姐妹。然后，如果兄弟是空的，但对于空白，我们也会忽略它。

最后，通过这些测试的项目被添加到字典中。

>>> import bs4
>>> soup = bs4.BeautifulSoup(open('temp.htm').read(), 'lxml')
>>> from collections import defaultdict
>>> info = defaultdict(list)
>>> for h5 in soup.findAll('h5'):
...     for item in h5.next_siblings:
...         if item.name == 'br':
...             continue
...         if item.name == 'h5':
...             break
...         if not item.strip():
...             continue
...         info[h5.text].append(item.strip())
...

我们可以这样显示字典的内容。我把它留给你来适当地格式化它。

>>> info
defaultdict(<class 'list'>, {'Item1': ['$14.00'], 'Item3': [], 'Item2': ['$16.29 (Shop Rite)', '$15.49 (Costco)']})
>>> for item in info:
...     for price in info[item]:
...         item, price
...         
('Item1', '$14.00')
('Item2', '$16.29 (Shop Rite)')
('Item2', '$15.49 (Costco)')

【讨论】：