【发布时间】：2014-04-21 12:54:06
【问题描述】：
对于类似于this one 的研究项目，我想从python documentation. 中提取所有“文档单元” python文档中的文档单元可以是（作为html-meta标签）：
- 一个方法（dl类：方法）
- 一个类（dl类：类）
- 一个section（div类：section）
这些应该是嵌套的：一个section包含几个classes，其中包含几个 方法s。但实际上这是非常不规则的。
Example1： 如果一个部分包含多个类和方法：我想单独获取每个方法和没有方法的每个类（我已经得到）和没有类的部分（我已经在那种情况下有）并且没有方法（我也已经有）但有其余的方法（因为那里有很多额外的东西）
Example2：如果一个方法或一个类没有出现它们的部分，我也想要它们，如上所述，一定不要忘记它们。
注意： 这样做并不容易，但我想将它们全部放在一个列表中，该列表具有与原始文档中相同的顺序。
我使用 BeautifulSoup 进行了尝试，但我想为此我需要搜索“从叶到根”以首先获取最深的元素 - BeautifulSoup4 不支持 (AFAIK)。
First I thought the problem is to avoid duplicates 但实际上这不是主要问题。
感谢您的提示。
【问题讨论】：
-
当然你想要一棵树，而不是“与原始列表具有相同顺序的列表”。我不明白您从 "Example 1... Example 2... Note"; 中写的任何内容；这些似乎相互冲突，也与 BS 冲突。而且我什至不明白评论“Example2：如果一个方法或一个类没有出现它们的部分，我也想要它们，如上所述，不能忘记它们。”请编辑为阐明。您是指构建树应该如何对待子节点？兄弟节点？后人？所有这些？
标签： python documentation beautifulsoup lxml html5lib