我正在嘗試使用 BeautifulSoup 從非統一結構的 html 區塊中提取資訊。我正在尋找一種方法來組合搜尋/過濾器輸出中標籤之間的文字區塊。例如,來自 html:
<span> <strong>Description</strong> Section1 <ul> <li>line1</li> <li>line2</li> <li>line3</li> </ul> <strong>Section2</strong> Content2 </span>
我想建立一個輸出列表,忽略某些類型的標籤(上例中的 ul
和 li
),但捕獲頂級未標記文字。我發現的最接近的是.select(':not(ul,li)')
或.find_all(['strong'])
,但兩者都不是它們可以同時捕捉未標記的頂級文字和各種目標標記。理想的行為是這樣的:
.find_all(['strong','UNTAGGED'])
產生如下輸出:
[ <strong>Description</strong>, Section1, <strong>Section2</strong>, Content2 ]
要獲得輸出,您可以先選擇
,然後選擇它的
next_sibling
。範例
輸出