只从这个元素中提取文本，而不是它的子元素
Posted
技术标签:
【中文标题】只从这个元素中提取文本，而不是它的子元素【英文标题】：Only extracting text from this element, not its children 【发布时间】：2011-06-27 01:51:39 【问题描述】：我只想从我的汤的最顶部元素中提取文本；然而，soup.text 也给出了所有子元素的文本：
我有
import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text
这个的输出是yesno。我只想说“是”。
实现这一目标的最佳方法是什么？
编辑：我还希望在解析“<html><b>no</b>yes</html>”时输出yes。
【问题讨论】：
BeautifulSOAP 已被移除。要仅在 bs4 中获取当前元素的文本，请参阅 @Horst Miller 的回答 here 没有 BeautifulSOAP 的最佳答案仍然有效。.find(text=True, recursive=False) 感觉比 contents 列表组合和类型检查更干净。
【参考方案1】：
你可以使用contents
>>> print soup.html.contents[0]
yes
或者要获取html下的所有文本，使用findAll(text=True, recursive=False)
>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False)
[u'x', u'yes']
以上连接形成单个字符串
>>> ''.join(soup.html.findAll(text=True, recursive=False))
u'xyes'
【讨论】：
有点工作，但遗憾的是，当 html 被反转时没有帮助：<html><b>no</b>yes</html>。我想我可以遍历内容试图找到不是标签的部分。
findAll(text=True, recursive=False) 那是我的果酱宝贝，尤其是recursive=False 位！【参考方案2】：
.find(text=True) 呢？
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'
编辑：
我想我现在已经明白你想要什么了。试试这个：
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'
【讨论】：
在第二种情况下（no，仍然在b标签中）我仍然希望输出为yes。
@jbochi 不适用于此<h2><a aria-expanded="false" aria-owns="faqGen5" href="#">Is <span class="nobreak">XFINITY WiFi</span> secure?</a></h2>。我需要为find(text=True) 获取Is secure?【参考方案3】：
您可能想查看 lxml 的 soupparser 模块，它支持 XPath：
>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']
【讨论】：
【参考方案4】：这在 bs4 中适用于我：
import bs4
node = bs4.BeautifulSoup('<html><div>A<span>B</span>C</div></html>').find('div')
print "".join([t for t in node.contents if type(t)==bs4.element.NavigableString])
输出：
AC
【讨论】：
更多地是pythonisinstance(t, bs4.element.NavigableString) 不错！请注意，您的解决方案比“find_all(text=True, recursive=False)”更通用，因为它还会捕获标签“hiJso long”周围的文本得到'hilong'。取而代之的是 find_all 只得到第一个：'hi'以上是关于只从这个元素中提取文本，而不是它的子元素的主要内容，如果未能解决你的问题，请参考以下文章