web-dev-qa-db-ja.com

beautifulsoupを使用して改行間のテキストを抽出する（例：<br />タグ）

より大きなドキュメント内に次のHTMLがあります

<br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br />

現在、BeautifulSoupを使用してHTML内の他の要素を取得していますが、<br />タグ間の重要なテキスト行を取得する方法を見つけることができませんでした。 <br />要素のそれぞれを分離してナビゲートすることはできますが、その間にテキストを取得する方法が見つかりません。どんな助けでも大歓迎です。ありがとう。

pythonhtmlhtml-parsingbeautifulsoup
16
maltman

2つの間にあるテキストが必要な場合は<br />タグ、次のようなことができます。

from BeautifulSoup import BeautifulSoup, NavigableString, Tag

input = '''<br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br />'''

soup = BeautifulSoup(input)

for br in soup.findAll('br'):
    next_s = br.nextSibling
    if not (next_s and isinstance(next_s,NavigableString)):
        continue
    next2_s = next_s.nextSibling
    if next2_s and isinstance(next2_s,Tag) and next2_s.name == 'br':
        text = str(next_s).strip()
        if text:
            print "Found:", next_s

しかし、おそらく私はあなたの質問を誤解していますか？問題の説明は、サンプルデータの「重要」/「重要ではない」と一致していないようです。そのため、説明を使用しました;）

25
Mark Longair

したがって、テストの目的で、このHTMLのチャンクがspanタグ内にあると仮定しましょう。

_x = """<span><br />
Important Text 1
<br />
<br />
Not Important Text
<br />
Important Text 2
<br />
Important Text 3
<br />
<br />
Non Important Text
<br />
Important Text 4
<br /></span>"""
_

次に、それを解析して、スパンタグを見つけます。

_from BeautifulSoup import BeautifulSoup
y = soup.find('span')
_

y.childGenerator()でジェネレーターを反復処理すると、brとテキストの両方が取得されます。

_In [4]: for a in y.childGenerator(): print type(a), str(a)
   ....: 
<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 1

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Not Important Text

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 2

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 3

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Non Important Text

<type 'instance'> <br />
<class 'BeautifulSoup.NavigableString'> 
Important Text 4

<type 'instance'> <br />
_
7
Ken Kinder

以下は私のために働いた：

for br in soup.findAll('br'):
    if str(type(br.contents[0])) == '<class \'BeautifulSoup.NavigableString\'>':
       print br.contents[0]
0
Pontios