python – 使用BeautifulSoup基于内容值提取标记内容

2019年8月4日 46次阅读

我有一个以下格式的
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>

我想提取段落标记的内容,包括斜体和粗体标记的内容,但不包含锚标记的内容.此外,可能在开头忽略数字.

预期的产出是：
该段内容以斜体显示但不强.

最好的方法是什么？

此外,以下代码片段返回TypeError：类型为“NoneType”的参数不可迭代

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

谢谢你的建议.

最佳答案 您的代码失败,因为如果标记只有一个子节点并且该子节点是NavigableString,则设置tag.string

您可以通过提取标签来实现您想要的效果：

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))
点赞