BeautifulSoup: Top-Level-Text mit klassischer Tag-Suchfunktion kombinieren?

Question

Ich versuche, BeautifulSoup zu verwenden, um Informationen aus einem nicht einheitlich strukturierten HTML-Block zu extrahieren. Ich suche nach einer Möglichkeit, Textblöcke zwischen Tags in der Such-/Filterausgabe zu kombinieren. Zum Beispiel aus HTML:

<span>
    <strong>Description</strong>
    Section1
    <ul>
        <li>line1</li>
        <li>line2</li>
        <li>line3</li>
    </ul>
    <strong>Section2</strong>
    Content2    
</span>

Ich möchte eine Ausgabeliste erstellen, die bestimmte Tag-Typen ignoriert (ul 和 li），但捕获顶级未标记文本。我发现的最接近的是 .select(':not(ul,li)') 或 .find_all(['strong']) im Beispiel oben, aber keiner von ihnen kann sowohl ungetaggten Text der obersten Ebene als auch verschiedene Ziel-Tags erfassen. Das ideale Verhalten wäre etwa so:

.find_all(['strong','UNTAGGED'])

erzeugt die folgende Ausgabe:

[
<strong>Description</strong>,
Section1,
<strong>Section2</strong>,
Content2
]

Answer 1

要获得输出，您可以先选择，然后选择它的next_sibling。

示例

from bs4 import BeautifulSoup
html = '''
<span>
    <strong>Description</strong>
    Section1
    <ul>
        <li>line1</li>
        <li>line2</li>
        <li>line3</li>
    </ul>
    <strong>Section2</strong>
    Content2    
</span>
'''
soup = BeautifulSoup(html)

data = []

for e in soup.select('strong'):
    data.extend([e,e.next_sibling.strip()])

data

输出

[<strong>Description</strong>,
 'Section1',
 <strong>Section2</strong>,
 'Content2']