Question

我一直在尝试制作一个Python脚本，该脚本实际上是从特定元素块中提取文本，但必须排除嵌套兄弟姐妹中的某些文本。

这是我要抓取的HTML部分：

<div class="article_body">
    <div id="articleBodyContents">
        Stack Overflow
        <br/>
        Is Love
        <br/>
        <a href="https://example_site1.com" target="_blank">Ad</a>
        <br/>
        <a href="https://example_site2.com" target="_blank">Ad2</a>
    </div>
</div>

到目前为止，我已经取得了进步：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")
divs = soup.findAll('div', {'id':'articleBodyContents'})
for ops in divs:
    print(ops.text.replace('\n', '').strip())

但是此打印输出：

Stack Overflow
Is love
Ad
Ad2

我只想要：

Stack Overflow
Is love

Answer 1

您快到了。您需要NavigableString的帮助才能实现此目的。只需捕获前一个父级，然后遍历它，检查字符串是否为NavigableString的实例。这是您的代码：

from bs4 import BeautifulSoup, NavigableString

html = """
<div class="article_body">
    <div id="articleBodyContents">
        Stack Overflow
        <br/>
        Is love
        <br/>
        <a href="https://example_site1.com" target="_blank">Ad</a>
        <br/>
        <a href="https://example_site2.com" target="_blank">Ad2</a>
    </div>
</div>
"""

soup = BeautifulSoup(html, "html.parser")
divs = soup.find('div', {'class':'article_body'})
ops = [element for element in divs.div if isinstance(element, NavigableString)]
for op in ops:
    print(op.strip().replace('\n', ''))

输出：

Stack Overflow
Is love

从特定的块中获取文本，但不包括一些嵌套标签

1 个答案: