美丽的汤：提取两个标签之间的所有内容

Question

我正在使用 BeautifulSoup 从 HTML 文件中提取数据。 我想获取两个标签之间的所有信息。 这意味着如果我有这样的 HTML 部分：

<h1></h1>
Text <i>here</i> has no tag
<div>This is in a div</div>
<h1></h1>

然后，如果我想要第一个 h1 和第二个 h1 之间的所有信息，输出将如下所示：

Text <i>here</i> has no tag
<div>This is in a div</div>

我已经尝试过 nextsibling 循环，但似乎总是有一个问题。 Beautifulsoup 中是否有一个命令可以简单地提取元素“A”和元素“B”之间的所有内容（文本、换行符、div、特殊字符）？

Answer 1

一种解决方案是.extract()在第一个<h1>和第二个<h1>标签之后的所有内容：

from bs4 import BeautifulSoup


html_doc = '''
This I <b>don't</b> want
<h1></h1>
Text <i>here</i> has no tag
<div>This is in a div</div>
<h1></h1>
This I <b>don't</b> want too
'''

soup = BeautifulSoup(html_doc, 'html.parser')

for c in list(soup.contents):
    if c is soup.h1 or c.find_previous('h1') is soup.h1:
        continue
    c.extract()

for h1 in soup.select('h1'):
    h1.extract()

print(soup)

印刷：

Text <i>here</i> has no tag
<div>This is in a div</div>

Answer 2

这是方法，您可以简单地定位他们的父级，也可以将它们包装在容器中并提取您要定位的父级的所有子级，如下所示

from bs4 import BeautifulSoup
content = """
<div class="container">
    <h1></h1>
        Text <i>here</i> has no tag
        <div>This is in a div</div>
    <h1></h1>
</div>
"""
soup = BeautifulSoup(content, 'html.parser')
results = soup.find('div').findChildren()
print(results)

或者

print(soup.find('h1').findAllNext())

Answer 3

html_doc = '''
This I <b>don't</b> want
<h1 id = 'beautiful'></h1>
Text <i>here</i> has no tag
<div>This is in a div</div>
<h1 id = 'good'></h1>
This I <b>don't</b> want too
'''

当这些具有不同的id信息时，如何提取这些h1标签之间的数据？

美丽的汤：当两个标签具有不同的 id 时，提取两个标签之间的所有内容