我嘗試提取 「這是我TEXT」 從下面的HTML：元素之間的Python BeautifulSoup提取文本
<html>
<body>
<table>
<td class="MYCLASS">
<!-- a comment -->
<a hef="xy">Text</a>
<p>something</p>
THIS IS MY TEXT
<p>something else</p>
</br>
</td>
</table>
</body>
</html>
我試着這樣說：
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
print hit.text
但我得到的所有文字在所有嵌套標籤加評論之間。
任何人都可以幫我取得「這是我的文字」嗎？
使用.children代替：
from bs4 import NavigableString, Comment
print ''.join(unicode(child) for child in hit.children
if isinstance(child, NavigableString) and not isinstance(child, Comment))
是的，這是一個有點舞蹈。
輸出：
>>> for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
... print ''.join(unicode(child) for child in hit.children
... if isinstance(child, NavigableString) and not isinstance(child, Comment))
...
THIS IS MY TEXT
詳細瞭解如何導航through the parse tree in BeautifulSoup。解析樹已得到tags和NavigableStrings（因爲這是一個文本）。一個例子
from BeautifulSoup import BeautifulSoup
doc = ['<html><head><title>Page title</title></head>',
'<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',
'<p id="secondpara" align="blah">This is paragraph <b>two</b>.',
'</html>']
soup = BeautifulSoup(''.join(doc))
print soup.prettify()
# <html>
# <head>
# <title>
# Page title
# </title>
# </head>
# <body>
# <p id="firstpara" align="center">
# This is paragraph
# <b>
# one
# </b>
# .
# </p>
# <p id="secondpara" align="blah">
# This is paragraph
# <b>
# two
# </b>
# .
# </p>
# </body>
# </html>
要下移你有contents和string解析樹。
內容是標籤的有序列表和NavigableString對象包含在一個頁面元素中
如果一個標籤只有一個子節點，該子節點是字符串， 子節點可用作tag.string，以及 tag.contents [0]
針對上述情況，也就是說，你可以得到
soup.b.string
# u'one'
soup.b.contents[0]
# u'one'
對於幾個孩子節點，你可以有例如
pTag = soup.p
pTag.contents
# [u'This is paragraph ', <b>one</b>, u'.']
所以在這裏你可以與contents玩，獲取你想要的索引的內容。
你也可以迭代一個標籤，這是一個快捷方式。例如，
for i in soup.body:
print i
# <p id="firstpara" align="center">This is paragraph <b>one</b>.</p>
# <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>
的BeautifulSoup documentation提供關於從使用提取方法的文件刪除對象的例子。在下面的例子中，目的是要刪除文檔中的所有註釋：
移除構件
一旦你有一個元素的引用，您可以用提取物撕出 樹方法。此代碼刪除所有評論 從文檔：
from BeautifulSoup import BeautifulSoup, Comment
soup = BeautifulSoup("""1<!--The loneliest number-->
<a>2<!--Can be as bad as one--><b>3""")
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
[comment.extract() for comment in comments]
print soup
# 1
# <a>2<b>3</b></a>
簡短的回答：soup.findAll('p')[0].next
真正的答案：你需要一個不變的參考點，從中可以得到你的目標。
你在你的評論中提到海德羅的回答，你想要的文本並不總是在同一個地方。找出它與某個元素在相同位置的感覺。然後找出如何讓BeautifulSoup在不變路徑之後導航分析樹。
例如，在原始帖子中提供的HTML中，目標字符串緊接在第一個段落元素後面出現，並且該段落不是空的。由於findAll('p')將會找到段落元素，soup.find('p')[0]將成爲第一段落元素。
你可以在這種情況下使用soup.find('p')，但soup.findAll('p')[n]更通用，因爲也許你的實際情況需要第5段或類似的東西。
next field屬性將成爲樹中下一個已解析的元素，包括子元素。因此soup.findAll('p')[0].next包含該段的文本，並且soup.findAll('p')[0].next.next將返回您提供的HTML中的目標。
用自己的湯對象：
soup.p.next_sibling.strip()
soup.p *（這取決於它是第一個<p>解析樹）next_sibling對soup.p返回的標記對象，因爲所需文本嵌套在解析樹的相同級別，因爲它們與<p>.strip()僅僅是一個Python海峽方法除去開頭和結尾的空白選擇在解釋的元素，這看起來是這樣的：
In [4]: soup.p
Out[4]: <p>something</p>
In [5]: type(soup.p)
Out[5]: bs4.element.Tag
In [6]: soup.p.next_sibling
Out[6]: u'\n THIS IS MY TEXT\n '
In [7]: type(soup.p.next_sibling)
Out[7]: bs4.element.NavigableString
In [8]: soup.p.next_sibling.strip()
Out[8]: u'THIS IS MY TEXT'
In [9]: type(soup.p.next_sibling.strip())
Out[9]: unicode
您能否添加更多關於如何回答此問題的解釋性文字？ –
很高興！ （往上看） –
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
hit = hit.text.strip()
print hit
這將打印：這是我的文本 試試這個..
這會返回'u'\ n評論\ nText \ nsomething \ n這是我的文本\ n別的\ n''或'u'a commentTextsomethingThis是我的文本\'其他'\'，其中有更多的文本比需要。 –
@CristianCiupitu：當然，你是對的，在這裏沒有注意。更新。 –
這是唯一的解決方案，它不依賴於文本與特定其他文本的順序或位置關係，而是從指定的標籤/元素中提取所有文本，同時忽略子標籤/元素的文本（或其他內容）。謝謝！這是尷尬的，但它的工作和解決我的問題（我不是OP，但有類似的需求）。 – geewiz