我们处理长聚合的 HTML 文档（用于转换为 PDF）。 在某些情况下，必须按章节（以 H1 标记开头的专用 HTML 页面）或子章节（以每个 H1 或 H2 标记开头的专用 HTML 页面）拆分聚合的 HTML 文档。到目前为止，我们正在使用 BeautifulSoup 来操作聚合的 HTML，但我们找不到使用 BeautifulSoup 以正确方式提取子文档（例如从第一个 H1 到下一个 H2）的正确方法。
【问题讨论】：
标签： python html beautifulsoup
我有一些使用 BeautifulSoup 的经验，但我不确定它是否支持您想要直接执行的操作。这里有两个想法
搜索
以下是它所拥有的搜索工具的一些文档。也许您可以同时搜索 H1 和 H2，看看这是否有助于提取子文档
http://www.crummy.com/software/BeautifulSoup/documentation.html#Searching the Parse Tree
Pretty Print + grep
BeautifulSoup 有一个非常有用的美化功能来漂亮地打印 html。完成此操作后，每个 H1 或 H2 将位于其自己的行上，在这种情况下，可以轻松使用 grep 等文本操作实用程序轻松确定行号。包含 H1 和 H2 并简单地取中间的文本。
http://www.crummy.com/software/BeautifulSoup/documentation.html#Printing a Document
【讨论】：
由于没有向您提出使用解析器的解决方案，我可以建议您使用正则表达式自行管理吗？
丹麦语的第二点具有相同的性质，因为名称 grep 来自“全局 - 正则表达式 - 打印”。但是由于必须使用美化功能进行初步处理，因此变得复杂。
相反，正则表达式是一种强大的工具，可以直接用于文本。
你能提供更多关于你想做什么的信息吗？
【讨论】：