使用 BeautifulSoup 解析未关闭的 `<br>` 标签

Posted 2023-03-30

【中文标题】使用 BeautifulSoup 解析未关闭的 `<br>` 标签

【英文标题】：Parsing unclosed `<br>` tags with BeautifulSoup

【发布时间】：2012-11-20 20:19:08

【问题描述】：

BeautifulSoup 具有关闭连续 <br> 标记的逻辑，这些标记并不能完全满足我的要求。例如，

>>> from bs4 import BeautifulSoup
>>> bs = BeautifulSoup('one<br>two<br>three<br>four')

html 将呈现为

one
two
three
four

我想将其解析为字符串列表['one','two','three','four']。 BeautifulSoup 的标签关闭逻辑意味着当我请求所有 <br> 元素时，我会得到嵌套标签。

>>> bs('br')
[<br>two<br>three<br>four</br></br></br>,
 <br>three<br>four</br></br>,
 <br>four</br>]

有没有简单的方法可以得到我想要的结果？

【问题讨论】：

有没有办法克服的这种行为？它正在破坏兄弟结构。

【参考方案1】：

import bs4 as bs
soup = bs.BeautifulSoup('one<br>two<br>three<br>four')
print(soup.find_all(text=True))

产量

[u'one', u'two', u'three', u'four']

---

或者，使用lxml：

import lxml.html as LH
doc = LH.fromstring('one<br>two<br>three<br>four')
print(list(doc.itertext()))

产量

['one', 'two', 'three', 'four']

【讨论】：

不知道这个功能。很好的答案。

可能是因为我使用的是bs4，但这不起作用。它会选择第一个项目 (one)，但不会选择其他项目。