<a></a>查找<a>两个之间的</a>

Question

我正在使用 python 和 beautifulsoup。 我有一个 html 页面，如下所示：

<i>Hello<\i>
<a href="www.google.com"> Google <\a>
<i>Bye<\i>
<a href="www.google.com"> Google2 <\a>
<i>Hello<\i>
<a href="www.google.com"> Google3 <\a>
<i>Bye<\i>

我想在 Hello 和 Bye 标签之间而不是在 Bye 和 Hello 标签之间获取所有“a”标签文本（我知道该怎么做，我只是不知道如何找到它们）。 用漂亮的汤和蟒蛇可以吗？

Answer 1

我稍微更正了您的 HTML。 （请注意，反斜杠应该是斜杠。）

为此，首先找到“Hello”字符串。 调用这些字符串一个s的for循环。 那么你想要的是s.findParent().findNextSibling() 。

我显示s 、 s.findParent()和s.findParent().findNextSibling()以向您展示我如何从这些字符串构建您需要的内容。

>>> import bs4
>>> HTML = '''\
... <i>Hello</i>
... <a href="www.google.com"> Google </a>
... <i>Bye</i>
... <a href="www.google.com"> Google2 </a>
... <i>Hello</i>
... <a href="www.google.com"> Google3 </a>
... <i>Bye</i>
... '''
>>> soup = bs4.BeautifulSoup(HTML, 'lxml')
>>> for s in soup.find_all(string='Hello'):
...     s, s.findParent(), s.findParent().findNextSibling()
...     
('Hello', <i>Hello</i>, <a href="www.google.com"> Google </a>)
('Hello', <i>Hello</i>, <a href="www.google.com"> Google3 </a>)

Answer 2

您可以混合使用 BeautifulSoup 和正则表达式。 这里正则表达式用于抓取限制标签之间的所有内容，然后使用 BeautifulSoup 提取锚标签。

from bs4 import BeautifulSoup
import re

excerpts = re.findall(r'<i>Hello<\\i>(.*?)<i>Bye<\\i>', html, re.DOTALL)

for e in excerpts:
    soup = BeautifulSoup(e)
    for link in soup.findAll('a'):
        print(link)

输出：

<a href="www.google.com"> Google </a>
<a href="www.google.com"> Google3 </a>

Answer 3

也许您可以使用re模块。 参考见正则表达式 Howto for py2

str_tags = """
<i>Hello<\i>
<a href="www.google.com"> Google <\a>
<i>Bye<\i>
<a href="www.google.com"> Google2 <\a>
<i>Hello<\i>
<a href="www.google.com"> Google3 <\a>
<i>Bye<\i>
"""

import re
str_re = re.compile(r".*Hello.*\s<a[^>]*>([\w\s]+)<\a>\s<i>Bye")
content_lst = str_re.findall(str_tags)
if content_lst:
    print(content_lst)
else:
    print("Not found")

输出

['谷歌'，'谷歌3']

请注意，此方法在很大程度上取决于您的 html 的外观。 关于上述代码的解释，也请参考第一个链接。