python - 如何提取 HTML 中元素的内容？

Question

这是我使用 soup.findAll 提取的固定 html 内容

myAdds = soup.findAll("div", {"class" : "data"})

<div class="data">
  <img src="/page1/page2/Images/pic.png" height="13" width="13">
  &nbsp; SOME_TEXT
  </img>
</div> 

现在，我只想

SOME_TEXT

作为我的最终结果。我既不需要 class="data"中的标签和元素。我尝试使用替换方法，但没有成功。我怎样才能得到想要的结果？

Answer 1

您想使用Tag.next_sibling在这里，来自包含的图像标签:

>>> soup.find('div', class_='data').img.next_sibling
u'\n  \xa0 SOME_TEXT\n'

在这种情况下，您的标记中似乎没有任何其他文本无论如何；您也可以使用Tag.get_text()方法:

>>> soup.find('div', class_='data').get_text()
u'\n\n  \xa0 SOME_TEXT\n'

如果您的 HTML 中包含文本 <img/>标签，那么这就是损坏的 HTML，不同的解析器会以不同的方式处理这个问题:

>>> sample = '''\
... <div class="data">
...   <img src="/page1/page2/Images/pic.png" height="13" width="13">
...   &nbsp; SOME_TEXT
...   </img>
... </div> 
... '''
>>> soup = BeautifulSoup(sample, 'html.parser')
>>> soup.div
<div class="data">
<img height="13" src="/page1/page2/Images/pic.png" width="13">
    SOME_TEXT
  </img>
</div>
>>> soup = BeautifulSoup(sample, 'lxml')
>>> soup.div
<div class="data">
<img height="13" src="/page1/page2/Images/pic.png" width="13"/>
    SOME_TEXT

</div>
>>> soup = BeautifulSoup(sample, 'html.parser')
>>> soup.div
<div class="data">
<img height="13" src="/page1/page2/Images/pic.png" width="13">
    SOME_TEXT
  </img>
</div>

在所有这些情况下，Tag.get_text()会起作用的。