python - BeautifulSoup : Extracting all the from the

Question

我有一个非常愚蠢和烦人的问题，我尝试将 html 转换为 markdown，但我的 html 格式很愚蠢:我一直有这样的东西:

<strong>Ihre Aufgaben:<br/></strong>

或

<strong> <br/>Über die XXXX GmbH:<br/></strong>

这是完全有效的 HTML。

但是我要转换为 Markdown 的库 ( HTML2Text ) 将其转换为:

**Ihre Aufgaben:\n**

和

** \nÜber die XXXX GmbH:\n**

这是一个already reported issue因为 ma​​rkdown 无效并且无法正确渲染

我解决这个问题的方法如下:

• 使用 BeautifulSoup 查找所有 strong导致这个问题的原因
• 对 <br/> 进行分类分为 2 组:文本之前的组和文本之后的组。
• 解开文本后面的内容，以便将它们推出<strong>

我的代码(格式还不是很好):

soup = BeautifulSoup(html)
emphased = soup.find_all('strong')
for single in emphased:
    children = single.children
    before = 0
    foundText = None
    after = 0
    for child in children:
        if not isinstance(child, NavigableString):
             if foundText:
                after += 1
                child.unwrap()
             else:
                before += 1
                # DOES NOT WORK
                child.unwrap()
        else:
           foundText = single.get_text().strip()

我目前的问题是什么？

我想打开<br/> 在内容之前，并将它们放在 <strong> 之前元素，但我无法实现这一点(并且没有找到如何在文档中继续进行)。

我想更普遍地实现什么目标？:

我想改变它:

<strong> <br/>Über die XXXX GmbH: </strong>

进入

# Note the space
(whitespace)<br/><strong>Über die XXXX GmbH:</strong>(whitespace)

它不必使用 Beautiful Soup，我只是不知道其他解决方案。

提前致谢!

Answer 1

根据您的示例，您可以提取所有 br来自 strong 的标签并将它们放在前面，用新标签替换最新标签。

这是一个片段:

from bs4 import BeautifulSoup

soup = BeautifulSoup("<strong>Ihre Aufgaben:<br/></strong>", "html.parser")
for strong in soup.find_all("strong"):
    [s.extract() for s in strong.find_all('br')]
    strong.string = strong.get_text(strip=True)
    strong.replaceWith(BeautifulSoup( " %s%s " % ("<br/>", strong), "html.parser"))
print soup

哪些输出:

<br/><strong>Ihre Aufgaben:</strong>