我尝试提取 “这是我TEXT” 从下面的HTML：元素之间的Python BeautifulSoup提取文本
<html>
<body>
<table>
<td class="MYCLASS">
<!-- a comment -->
<a hef="xy">Text</a>
<p>something</p>
THIS IS MY TEXT
<p>something else</p>
</br>
</td>
</table>
</body>
</html>
我试着这样说：
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
print hit.text
但我得到的所有文字在所有嵌套标签加评论之间。
任何人都可以帮我取得“这是我的文字”吗？
使用.children代替：
from bs4 import NavigableString, Comment
print ''.join(unicode(child) for child in hit.children
if isinstance(child, NavigableString) and not isinstance(child, Comment))
是的，这是一个有点舞蹈。
输出：
>>> for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
... print ''.join(unicode(child) for child in hit.children
... if isinstance(child, NavigableString) and not isinstance(child, Comment))
...
THIS IS MY TEXT
详细了解如何导航through the parse tree in BeautifulSoup。解析树已得到tags和NavigableStrings（因为这是一个文本）。一个例子
from BeautifulSoup import BeautifulSoup
doc = ['<html><head><title>Page title</title></head>',
'<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',
'<p id="secondpara" align="blah">This is paragraph <b>two</b>.',
'</html>']
soup = BeautifulSoup(''.join(doc))
print soup.prettify()
# <html>
# <head>
# <title>
# Page title
# </title>
# </head>
# <body>
# <p id="firstpara" align="center">
# This is paragraph
# <b>
# one
# </b>
# .
# </p>
# <p id="secondpara" align="blah">
# This is paragraph
# <b>
# two
# </b>
# .
# </p>
# </body>
# </html>
要下移你有contents和string解析树。
内容是标签的有序列表和NavigableString对象包含在一个页面元素中
如果一个标签只有一个子节点，该子节点是字符串， 子节点可用作tag.string，以及 tag.contents [0]
针对上述情况，也就是说，你可以得到
soup.b.string
# u'one'
soup.b.contents[0]
# u'one'
对于几个孩子节点，你可以有例如
pTag = soup.p
pTag.contents
# [u'This is paragraph ', <b>one</b>, u'.']
所以在这里你可以与contents玩，获取你想要的索引的内容。
你也可以迭代一个标签，这是一个快捷方式。例如，
for i in soup.body:
print i
# <p id="firstpara" align="center">This is paragraph <b>one</b>.</p>
# <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>
的BeautifulSoup documentation提供关于从使用提取方法的文件删除对象的例子。在下面的例子中，目的是要删除文档中的所有注释：
移除构件
一旦你有一个元素的引用，您可以用提取物撕出 树方法。此代码删除所有评论 从文档：
from BeautifulSoup import BeautifulSoup, Comment
soup = BeautifulSoup("""1<!--The loneliest number-->
<a>2<!--Can be as bad as one--><b>3""")
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
[comment.extract() for comment in comments]
print soup
# 1
# <a>2<b>3</b></a>
简短的回答：soup.findAll('p')[0].next
真正的答案：你需要一个不变的参考点，从中可以得到你的目标。
你在你的评论中提到海德罗的回答，你想要的文本并不总是在同一个地方。找出它与某个元素在相同位置的感觉。然后找出如何让BeautifulSoup在不变路径之后导航分析树。
例如，在原始帖子中提供的HTML中，目标字符串紧接在第一个段落元素后面出现，并且该段落不是空的。由于findAll('p')将会找到段落元素，soup.find('p')[0]将成为第一段落元素。
你可以在这种情况下使用soup.find('p')，但soup.findAll('p')[n]更通用，因为也许你的实际情况需要第5段或类似的东西。
next field属性将成为树中下一个已解析的元素，包括子元素。因此soup.findAll('p')[0].next包含该段的文本，并且soup.findAll('p')[0].next.next将返回您提供的HTML中的目标。
用自己的汤对象：
soup.p.next_sibling.strip()
soup.p *（这取决于它是第一个<p>解析树）next_sibling对soup.p返回的标记对象，因为所需文本嵌套在解析树的相同级别，因为它们与<p>.strip()仅仅是一个Python海峡方法除去开头和结尾的空白选择在解释的元素，这看起来是这样的：
In [4]: soup.p
Out[4]: <p>something</p>
In [5]: type(soup.p)
Out[5]: bs4.element.Tag
In [6]: soup.p.next_sibling
Out[6]: u'\n THIS IS MY TEXT\n '
In [7]: type(soup.p.next_sibling)
Out[7]: bs4.element.NavigableString
In [8]: soup.p.next_sibling.strip()
Out[8]: u'THIS IS MY TEXT'
In [9]: type(soup.p.next_sibling.strip())
Out[9]: unicode
您能否添加更多关于如何回答此问题的解释性文字？ –
很高兴！ （往上看） –
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
hit = hit.text.strip()
print hit
这将打印：这是我的文本 试试这个..
这会返回'u'\ n评论\ nText \ nsomething \ n这是我的文本\ n别的\ n''或'u'a commentTextsomethingThis是我的文本\'其他'\'，其中有更多的文本比需要。 –
@CristianCiupitu：当然，你是对的，在这里没有注意。更新。 –
这是唯一的解决方案，它不依赖于文本与特定其他文本的顺序或位置关系，而是从指定的标签/元素中提取所有文本，同时忽略子标签/元素的文本（或其他内容）。谢谢！这是尴尬的，但它的工作和解决我的问题（我不是OP，但有类似的需求）。 – geewiz