web-dev-qa-db-ja.com

子ではなく、この要素からのみテキストを抽出します

スープの一番上の要素からテキストのみを抽出します。ただし、soup.textはすべての子要素のテキストも提供します。

私が持っています

import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text

これへの出力はyesnoです。単純に「はい」が必要です。

これを達成する最良の方法は何ですか？

編集： '<html><b>no</b>yes</html>'の解析時にyesも出力したい。

pythonparsingtextbeautifulsoup
43
Dragon

.find(text=True)はどうですか？

>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'

編集：

私はあなたが今欲しいものを理解したと思います。これを試して：

>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'
42
jbochi

contents を使用できます

>>> print soup.html.contents[0]
yes

または、htmlの下のすべてのテキストを取得するには、findAll（text = True、recursive = False）を使用します

>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False) 
[u'x', u'yes']

結合して単一の文字列を形成する

>>> ''.join(soup.html.findAll(text=True, recursive=False)) 
u'xyes'
20
TigrisC

XPathをサポートするlxmlの soupparser モジュールを調べてください。

>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']
1
mzjn