如何从多个 HTML 标签中检索文本数据？

Question

我将以下 HTML sn-p 输出存储在名为 content 类型为 bs4.element.Tag 的变量中。

<li class="item">
                                            Alpha-tocopherol
                                            <em>see</em>
<a href="https://medlineplus.gov/vitamine.html">Vitamin E</a>
</li>

str(content) 输出：

'<li class="item">\n                                            Alpha-tocopherol\n                                            <em>see</em>\n<a href="https://medlineplus.gov/vitamine.html">Vitamin E</a>\n</li>'

我想使用 Python 作为输出：['Alpha-tocopherol', 'Vitamin E']。 我尝试了以下方法，但它是错误的：

regex = re.compile('(\w+\s+)\n')
regex.sub('', content.text).split()

Answer 1

您可以通过.contents方法获取第一个标签，然后使用.find_next()方法搜索a标签。

from bs4 import BeautifulSoup

html = """
<li class="item">
Alpha-tocopherol
<em>see</em>
<a href="https://medlineplus.gov/vitamine.html">Vitamin E</a>
</li>
"""
soup = BeautifulSoup(html, "html.parser")

for tag in soup.find_all("li", class_="item"):
    print([tag.contents[0].strip(), tag.find_next("a").text])

输出：

['Alpha-tocopherol', 'Vitamin E']

Answer 2

这两种方法都会生成您想要的列表。但是，对于第一个，这取决于 html 元素的解析方式。如果有分页符\n，你将不得不做一些额外的解析。

html = '''<li class="item">Alpha-tocopherol<em>see</em><a href="https://medlineplus.gov/vitamine.html">Vitamin E</a></li>'''
soup = BeautifulSoup(html, "html.parser")

soup.text.split('see') # option 1, get all text and parse accordingly from soup object

soup.find('li', class_='item').text.split('see') # option 2, get text from li element (seems like it'd be less efficient to do this)

输出

['Alpha-tocopherol, 'Vitamin E']