從變形的HTML標記中提取文本 <br> 分離元素

Question

所以我有這個HTML片：

<p class="tbtx">


                              MWF



<br></br>

TH
</p>

似乎完全被破壞了。 我需要提取數據，即['MWF'，'TH']。

我唯一想到的解決方案是替換html中的所有換行符和空格，然后將其拆分為
並重建html結構，然后解壓縮.text，但這有點荒謬。

有什么合適的解決方案嗎？

Answer 1

.stripped_strings是您要尋找的-它刪除了不必要的空格並返回字符串。

演示：

from bs4 import BeautifulSoup

data = """<p class="tbtx">


                              MWF



<br></br>

TH
</p>"""

soup = BeautifulSoup(data)
print list(soup.stripped_strings)  # prints [u'MWF', u'TH']

Answer 2

您可以使用filter和BeautifulSoup從HTML代碼段中僅提取文本來執行此操作。

from bs4 import BeautifulSoup

html = """<p class="tbtx">


                              MWF



<br></br>

TH
</p>"""

print filter(None,BeautifulSoup(html).get_text().strip().split("\n"))

輸出：

[u'MWF', u'TH']

Answer 3

我建議使用正則表達式提取文本

例如，如果您的html如您所述：

"
<p class="tbtx">


                              MWF



<br></br>

TH
</p>
"

我們可以看到所需的文本（“ MWF”，“ TH”）被空格字符包圍。

因此，正則表達式（“ \\ s \\ w + \\ s”）讀取“查找由空白字符包圍的任何單詞字符集”，並將標識所需的文本。

這是用於創建正則表達式的備忘單： http : //regexlib.com/CheatSheet.aspx?AspxAutoDetectCookieSupport=1

您可以在此處在所需文本上測試正則表達式： http : //regexpal.com/