我按照此方法使用 find(text=True, recursive=False) 从标签的直接级别提取文本正如另一个answer中提到的,但对于一些特定的标记,如 u'<p>\n <strong>\n Established\n </strong>\n 1865\n</p>\n'它不工作:
代码如下:
markup = u'<p>\n <strong>\n Established\n </strong>\n 1865\n</p>\n'
s = BeautifulSoup(markup, 'lxml')
print s.find('p').find(text=True, recursive=False)
然后打印
45: u'\n'
如果我删除所有换行符,它就会工作 \n从标记来看效果不错,但我认为从整个 HTML 文件中随机删除所有换行符不是一个好主意。
还有其他解决方案吗?
请您参考如下方法:
find 仅返回第一个匹配项。您需要使用 find_all:
print(s.find('p').find_all(text=True, recursive=False))
['\n', '\n 1865\n']
按需处理。例如,剥离数据并将片段连接成最终文本:
data = s.find('p').find_all(text=True, recursive=False)
text = ' '.join(i.strip() for i in data)
print(text)
1865
