python - 使用 BeautifulSoup 根据内容值提取标签内容

Question

我有一个如下格式的 Html 文档。

<p>&nbsp;&nbsp;&nbsp;1. Content of the paragraph <i> in italic </i> but not <b> strong </b> <a href="url">ignore</a>.</p>

我想提取段落标签的内容，包括斜体和粗体标签的内容，但不包括 anchor 标签的内容。此外，可能会在开始时忽略数字。

预期的输出是:斜体但不粗的段落内容。

最好的方法是什么？

此外，以下代码片段返回 TypeError: argument of type 'NoneType' is not iterable

soup = BSoup(page)
for p in soup.findAll('p'):
    if '   ' in p.string:
        print p

感谢您的建议。

Answer 1

您的代码失败，因为如果标签只有一个子标签且该子标签是 NavigableString，则设置了 tag.string

你可以通过提取a标签来实现你想要的:

from BeautifulSoup import BeautifulSoup

s = """<p>&nbsp;&nbsp;&nbsp;1. Content of the paragraph <i> in italic </i> but not <b> strong </b> <a href="url">ignore</a>.</p>"""
soup = BeautifulSoup(s, convertEntities=BeautifulSoup.HTML_ENTITIES)

for p in soup.findAll('p'):
    for a in p.findAll('a'):
        a.extract()
    print ''.join(p.findAll(text=True))