拆分HTML（或XML）通过标签

Question

节点文本

我有一些HTML，看起来像这样：

<div> 
Bla bla bla <b>bold stuff</b> Bla bla. 
But somewhere else the words bold stuff may appear not in bold 
</div> 

我想解析该文本提取大胆的元素，非粗体的元素作为单独的列表：

bolds = ['bold stuff'] 
normal_test = [ 
    'Bla bla bla ', 
    'Bla bla.\nBut somewhere else the words bold stuff may appear not in bold' 
] 

我可能是愚蠢的，但我不知道如何使用“标准”的HTML解析器做到这一点。

我可以提取元素的全文，包括粗体，我可以提取粗体，但是我发现不可能弄清楚每个粗体之前和之后的文本是什么，因为可能存在问题非粗体字符串。

我使用lxml的，但愿意考虑与其他解析器，或任何聪明的XPath选择我不知道解决方案...

但是，否则，我要诉诸正则表达式......我们都知道，这将是the end of the world

有人可以拯救地球之前，为时已晚？

Answer 1

所以我认为这是不可能的，但事实证明，如果您使用正确的库，它并不难。

随着BeautifulSoup 4，你应该使用.children属性：

html = '''<div> 
Bla bla bla <b>bold stuff</b> Bla bla. 
But somewhere else the words bold stuff may appear not in bold 
</div>''' 
import bs4 
soup = bs4.BeautifulSoup(html) 
print(list(soup.div.children)) 
[u'\nBla bla bla ', 
<b>bold stuff</b>, 
u' Bla bla.\nBut somewhere else the words bold stuff may appear not in bold\n'] 

，并从它相当琐碎达到我想要的。

我还是有兴趣，如果任何人都可以用lxml做到这一点？