在 <br/> python/bs4 之前获取文本答案

【问题标题】：Get text before <br/> python/bs4在 <br/> python/bs4 之前获取文本
【发布时间】：2014-08-24 21:02:39
【问题描述】：

我正在尝试从一个网页中抓取一些数据。标签文本中有换行符和<br/> 标签。我只想获取标签开头的电话号码。你能给我一个建议如何只得到这个数字吗？

这是 HTML 代码：

<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>

beautifulsoup 有没有办法在标签中获取文本，但只有那个文本，它没有被其他标签包围？第二件事：摆脱文本换行符和 html 换行符？

我用的是 BS4。

输出将是：'+421 48/471 78 14'

你有什么想法吗？谢谢

【问题讨论】：

标签： python html beautifulsoup

【解决方案1】：

html="""
<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>
"""


from bs4 import BeautifulSoup

soup = BeautifulSoup(html)

print soup.find("td").contents[0].strip() 
+421 48/471 78 14

print soup.find("td").next_element.strip()
+421 48/471 78 14

soup.find("td").contents[0].strip() 找到我们获取第一个元素的tag 的内容，并使用str.strip() 删除所有\n 换行符。

来自文档next_element：

字符串或标签的 .next_element 属性指向之后立即解析的内容

【讨论】：

【解决方案2】：

它对你有用吗？

>>> from bs4 import BeautifulSoup
>>> str = str.replace("\n", "") # get rid of newlines
>>> str = "<td>   +421 48/471 78 14    <br /><em>(bowling)</em></td>"
>>> for item in soup.td.children:
...   phone = item # first item is the phone number
...   break
... 
>>> phone
u'   +421 48/471 78 14    '
>>> phone.strip()
u'+421 48/471 78 14'
>>>

【讨论】：

不，它没有。问题可能是您的字符串中有空格，但我的字符串包含如上面代码中的换行符（在
标签之前。
然后你可以去掉换行符：str = str.replace("\n", "")

【解决方案3】：

另一种方法是使用 decompose() method 删除标签（从树中删除一个标签，然后完全销毁它及其内容）

from bs4 import BeautifulSoup

string = '''
<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>
'''

soup = BeautifulSoup(string, 'html.parser')
em = soup.select_one('em').decompose()

phone = soup.select_one('td').text.strip()
print(phone)

输出：

+421 48/471 78 14

【讨论】：