美丽的汤：提取标记和非标记HTML文本

与BS4一个新手，我的工作如何从一系列的网页表格，其中之一是这样的提取文本寻找一些帮助：美丽的汤：提取标记和非标记HTML文本

<table style="padding:0px; margin:1px" width="715px"> 
<tr> 
<td height="22" width="33%" > 
<span class="darkGreenText"><strong> Name: </strong></span> 
Tyto alba 
</td> 
<td height="22" width="33%" > 
<span class="darkGreenText"><strong> Order: </strong></span> 
Strigiformes 
</td> 
<td height="22" width="33%"> 
<span class="darkGreenText"><strong> Family: </strong></span> 
Tytonidae 
</td> 
<td height="22" width="66%" colspan="2"> 
<span class="darkGreenText"><strong> Status: </strong></span> 
Least Concern 
</td> 
</tr> 
</table>

所需的输出：

Name: Tyto alba 
Order: Strigiformes 
Family: Tytonidae 
Status: Least Concern

使用[index]推荐（https://stackoverflow.com/a/35050622/1726290）我试过，也next_sibling（https://stackoverflow.com/a/23380225/1726290），但我被卡住，因为我需要文本的一部分是塔格编辑和第二部分是不是。任何帮助，将不胜感激。

来源

2016-09-28 MichaelMaggs

什么是无标记？所有你想要的是td文本。 –

尊敬的坎宁安先生，对不起，您觉得有必要发表一条评论，对这个领域的新手表示很少的同情心。提问者可能不太清楚对你而言可能是非常明显的。 – MichaelMaggs

如果你是RTFM，那么这对你来说将是非常明显的，这是任何人在阅读优秀，全面和易于理解的bs4文档5分钟后就会知道的。作为一名新手而没有做出基本的努力是有区别的。 –

看起来你想要的是在BeautifulSoup标签上调用get_text(strip=True)（docs）。假设raw_html是你在上面粘贴HTML：它打印

htmlSoup = BeautifulSoup(raw_html) for tag in htmlSoup.select('td'): print(tag.get_text(strip=True))

：

Name:Tyto alba Order:Strigiformes Family:Tytonidae Status:Least Concern

来源

2016-09-28 19:05:59 Thang

非常感谢，这正是我一直在寻找的。我会跟进更多关于'get_text（strip = True）'的阅读 – MichaelMaggs

美丽的汤：提取标记和非标记HTML文本

回答

相关问题