如何在python中两个不同标签之间提取html？

Question

我有以下html：

<h2>blah</h2>
html content to extract 
(here can come tags, nested structures too, but no top-level h2)
<h2>other blah</h2>

是否可以在不使用python中的string.split("<h2>")情况下提取内容？
（例如，使用BeautifulSoup或其他一些库？）

Answer 1

使用BeautifulSoup，使用.next_siblings可迭代以获取标签后面的文本：

>>> from bs4 import BeautifulSoup, NavigableString
>>> from itertools import takewhile
>>> sample = '<h2>blah</h2>\nhtml content to extract\n<h2>other blah<h2>'
>>> soup = BeautifulSoup(sample)
>>> print ''.join(takewhile(lambda e: isinstance(e, NavigableString), soup.h2.next_siblings))

html content to extract

这将找到soup.h2元素之后的所有文本元素， soup.h2它们连接到一个字符串中。

Answer 2

这是来自http://htql.net的使用HTQL的一些测试代码：

sample="""<h2>blah</h2>
        html content to extract 
        <div>test</div>
        <h2>other blah<h2>
    """

import htql
htql.query(sample, "<h2 sep excl>2")
# [('\n        html content to extract \n        <div>test</div>\n        ',)]

htql.query(sample, "<h2 sep> {a=<h2>:tx; b=<h2 sep excl>2 | a='blah'} ")
# [('blah', '\n        html content to extract \n        <div>test</div>\n        ')]

Answer 3

让我分享一个更强大的解决方案：

def get_chunk_after_tag(tag):
    """ tag is a tag element in a bs4 soup.
    """
    result = ''
    for elem in tag.next_siblings:
        if isinstance(elem, bs4.Tag) and elem.name == tag.name:
            break
        result += str(elem)
    return result

用于将文本从<hX>提取到<hX> 。 它很容易修改以将文本从标签提取到另一个标签。