Beautifulsoup 将标签中的文本通过 <br/> 拆分

Posted 2023-02-23

【中文标题】Beautifulsoup 将标签中的文本通过 <br/> 拆分

【英文标题】：Beautifulsoup split text in tag by <br/>

【发布时间】：2015-08-22 01:24:14

【问题描述】：

是否可以通过 br 标签从标签中拆分文本？

我有这个标签内容：[u'[phone]', <br/>, u'[phone]', <br/>, u'[phone]']

我只想得到数字。 有什么建议吗？

编辑：

[x for x in dt.find_next_sibling('dd').contents if x!=' <br/>']

根本不工作。

【问题讨论】：

为什么不从标签中获取文本？

不，因为当x 是一个元素时，它不等于一个字符串。

【参考方案1】：

您需要测试标签，这些标签被建模为Element 实例。 Element 对象具有 name 属性，而文本元素没有（它们是 NavigableText 实例）：

[x for x in dt.find_next_sibling('dd').contents if getattr(x, 'name', None) != 'br']

由于您在该 <dd> 元素中似乎只有文本和 <br /> 元素，因此您不妨改为使用 all the contained strings：

list(dt.find_next_sibling('dd').stripped_strings)

演示：

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('''\
... <dt>Term</dt>
... <dd>
...     [phone]<br/>
...     [phone]<br/>
...     [phone]<br/>
... </dd>
... ''')
>>> dt = soup.dt
>>> [x for x in dt.find_next_sibling('dd').contents if getattr(x, 'name', None) != 'br']
[u'\n    [phone]', u'\n    [phone]', u'\n    [phone]', u'\n']
>>> list(dt.find_next_sibling('dd').stripped_strings)
[u'[phone]', u'[phone]', u'[phone]']

【参考方案2】：

将get_text(strip=True, separator='\n') 与str.splitlines 一起使用：

from bs4 import BeautifulSoup

soup = BeautifulSoup('''\
<dt>Term</dt>
<dd>
    [phone]<br/>
    [phone]<br/>
    [phone]<br/>
</dd>
''', 'html.parser')
print(soup.dd.get_text(strip=True, separator='\n').splitlines())
# ['[phone]', '[phone]', '[phone]']

【参考方案3】：

tag =  BeautifulSoup('''
<dd>
    [phone]<br/>
    [phone]<br/>
    [phone]<br/>
</dd>
''', 'html.parser')

将其转换为字符串

str_tag = str(tag)

现在使用<br/>标签拆分并转换回BeautifulSoup并从中提取文本

numbers = [BeautifulSoup(_,'html.parser').text.strip() for _ in str(soup).split('<br/>')]
# output : ['[phone]', '[phone]', '[phone]', '']