在 <pre> 标记内分隔文本

Posted 2023-02-23

【中文标题】在 <pre> 标记内分隔文本

【英文标题】：Separating text inside a <pre> tag

【发布时间】：2019-06-02 03:27:26

【问题描述】：

我想尝试一些基本的网络抓取，但遇到了一个问题，因为我习惯了简单的 td-tags，在这种情况下，我有一个网页，其中包含以下 pre-tag 和其中的所有文本，这意味着刮起来有点麻烦。

<pre style="word-wrap: break-word; white-space: pre-wrap;">
11111111
11111112
11111113
11111114
11111115
</pre>

关于如何抓取每一行的任何建议？

谢谢

【参考方案1】：

如果这正是您想要解析的内容，您可以使用splitlines() 函数轻松获取行列表，或者您可以像这样调整split() 函数。

from bs4 import BeautifulSoup

content = """
<pre style="word-wrap: break-word; white-space: pre-wrap;">
11111111 
11111112 
11111113
11111114
11111115 
</pre>""" # This is your content

soup = BeautifulSoup(content, "html.parser")
stuff = soup.find('pre').text
lines = stuff.split("\n") # or replace this by stuff.splitlines()
# print(lines) gives ["11111111", "11111112", "11111113", "11111114", "11111115"]
for line in lines:
    print(line)
# prints each row separately.

【讨论】：

谢谢，但是如果有 5000 行呢？在代码中包含 HTML 内容并不是一个可靠的解决方案。下面是一个例子，退出地址：check.torproject.org/exit-addresses

至于你给出的例子，没有HTML内容，它只是纯文本。他们的bs4在那里毫无用处。因此，在这种情况下，您将搜索特定的重复字符串序列并相应地使用split()。在你的情况下，ExitNode 这个词是唯一重复的，所以你会做s.split('ExitNode')。

【参考方案2】：

如果每一行确实是单独一行，为什么不把内容拆分成一个列表呢？

data = soup.find('pre').text
lines = data.splitlines()

您可以将True 传递到splitlines 例程中以保留行尾，如果这是您想要的。