从包含在 HTML 标记和不带标记的字符串中的一系列字符串中提取文本

Question

考虑以下 HTML：<li>  <a href="url">    <b>This</b>    " is "    <b>a</b>    " test "    <b>string</b>    "!"  </a></li>我想提取<a>标签之间的所有文本，除了"!". 换句话说，包含在第一个开头<b>和最后一个结尾之间的文本</b>: This is a test string。from bs4 import BeautifulSouphtml = '''<li><a href="url"><b>This</b>" is "<b>a</b>" test "<b>string</b>"!"</a></li>'''soup = BeautifulSoup(html)anchor = soup.a请注意，<b>没有标签的标签和字符串的数量会有所不同，next或者next_sibling不起作用。有没有更简单的方法来做到这一点？编辑： 理想情况下，我想要一种方法，即使我在最后一个</b>.

Answer 1

试试下面的代码

result = ''.join([i.strip().replace('"', '') for i in anchor.strings if i.strip()][:-1])

print(result)

输出

'This is a test string'

Answer 2

根据您的问题和评论，我认为获取子字符串的索引并对 HTML 的整个子集进行操作可以满足您的需求。

让我们首先创建一个函数来检索子字符串的所有索引（参见@AkiRoss 的回答）：

def findall(p, s):

    i = s.find(p)

    while i != -1:

        yield i

        i = s.find(p, i+1)

然后使用它来查找<b>和的出现</b>。

opening_b_occurrences = [i for i in findall('<b>', html)]

# has the value of [21, 40, 58]

closing_b_occurrences = [i for i in findall('</b>', html)]

# has the value of [28, 44, 67]

现在您可以使用该信息来获取 HTML 的子字符串来进行文本提取：

first_br = opening_b_occurrences[0]

last_br = closing_b_occurrences[-1] # getting the last one from list

text_inside_br = html[first_br:last_br]

中的文本text_inside_br现在应该是'<b>This</b>\n" is "\n<b>a</b>\n" test "\n<b>string'. 您现在可以清理它，例如通过附加</br>回它并使用 BeautifulSoup 提取值或仅使用正则表达式来执行此操作。