提取兩個 lxml 標簽 Python 之間的所有內容

Question

考慮以下 html 片段

 <html>. . . <div> <p> Hello </p> <div> <b> Text1 </b> <p> This is a huge paragraph text </p>. . . </div> </div>. . . <div> <i> Text2 </i> </div>

假設我需要提取從Text1到Text2的所有內容，包括標簽。 使用一些方法，我已經能夠提取這兩個的標簽，即它們的唯一 ID。

基本上我有 2 個 Element.etree 元素，對應於我需要的兩個標簽。

如何提取兩個標簽之間的所有內容？

（我能想到的一個可能的解決方案是找到兩個標簽的共同祖先，然后執行iterwalk()並在 Element1 處開始提取，並在 2 處停止。但是，我不完全確定這將如何）任何解決方案都會受到贊賞。

請注意，我已經找到了我需要的兩個標簽，並且我不是在尋找找到這些標簽的解決方案（例如使用 xpath）

編輯：我想要的 output 是

 <b> Text1 </b> <p> This is a huge paragraph text </p>. . . </div> </div>. . . <div> <i> Text2 </i>

請注意，我不介意最初的 2 個<div>標簽，但不想要Hello 。 結尾的結束標簽也是如此。 我最感興趣的是中間的內容。

編輯 2：我已經使用復雜的 xpath 條件提取了 Etree 元素，這對於 bs4 等其他替代方案是不可行的，因此任何使用 lxml 元素的解決方案都將不勝感激:)

Answer 1

經過審查和提問：

from essentials.tokening import CreateToken # This was imported just to generate a random string - pip install mknxgn_essentials
import bs4

HTML = """<html>
    <div>
        <div>
            <div id="start">
                Hello, My name is mark
            </div>
        </div>
    </div>

    <div>
        This is in the middle
    </div>

    <div>
        <div id="end">
            This is the end
        </div>
    </div>

    <div>
        Do not include this.
    </div>

</html>"""

RandomString = CreateToken(30, HTML) #Generate a random string that could never occur on it's own in the file, if it did occur, use something else 
soup = bs4.BeautifulSoup(HTML, features="lxml") # Convert the text into soup
start_div = soup.find("div", attrs={"id": "start"}) #assuming you can find this element
start_div.insert_before(RandomString) # insert the random string before this element
end_div = soup.find("div", attrs={"id": "end"})     #again, i was assuming you can also find this element
end_div.insert_after(RandomString) # insert the random string after this element

print(str(soup).split(RandomString)[1]) # Get between both random strings

此返回的 output ：

>>>             <div id="start">
>>>                 Hello, My name is mark
>>>             </div>
>>>     </div>
>>> </div>
>>>     <div>
>>>         This is in the middle
>>>     </div>
>>> <div>
>>>     <div id="end">
>>>         This is the end
>>>     </div>

提取兩個 lxml 標簽 Python 之間的所有內容

問題描述

1 個解決方案

解決方案1
0 已采納 2020-05-01 14:26:54

提取兩個 lxml 標簽 Python 之間的所有內容

問題描述

1 個解決方案

解決方案1 0 已采納 2020-05-01 14:26:54

解決方案1
0 已采納 2020-05-01 14:26:54