python中beautifulsoup怎么输出文本内容_python-BeautifulSoup：提取不在给定标签中的文本...

我有以下变量,标头等于：

Andrew Anglin

Daily Stormer

February 11, 2017

我只想从此变量中提取日期2017年2月11日.

如何在python中使用BeautifulSoup做到这一点？

解决方法:

如果您知道日期始终是header变量中的最后一个文本节点,则可以访问.contents property并获取返回列表中的最后一个元素：

from bs4 import BeautifulSoup

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

header = soup.find('p')

header.contents[-1].strip()

> February 11, 2017

from bs4 import BeautifulSoup

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

header = soup.find('p')

header.text.split('\n')[-1]

> February 11, 2017

如果您不知道日期文本节点的位置,那么另一种选择是解析出所有匹配的字符串：

from bs4 import BeautifulSoup

import re

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

header = soup.find('p')

re.findall(r'\w+ \d{1,2}, \d{4}', header.text)[0]

> February 11, 2017

但是,正如您的标题所暗示的那样,如果您只想检索未用element标签包裹的文本节点,则可以使用以下内容来过滤掉元素：

from bs4 import BeautifulSoup

import re

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

header = soup.find('p')

text_nodes = [e.strip() for e in header if not e.name and e.strip()]

请记住,由于第一个文本节点未包装,这将返回以下内容：

> ['Andrew Anglin', 'February 11, 2017']

当然,您也可以结合使用最后两个选项,并在返回的文本节点中解析出日期字符串：

from bs4 import BeautifulSoup

import re

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

header = soup.find('p')

for node in header:

if not node.name and node.strip():

match = re.findall(r'^\w+ \d{1,2}, \d{4}$', node.strip())

if match:

print(match[0])

> February 11, 2017

标签：python-3-x,beautifulsoup,web-scraping,html,python

来源： https://codeday.me/bug/20191026/1935087.html