使用Robobrowser，Python中的Beautifulsoup在HTML文件中提取没有标签/格式的文本答案

【问题标题】：Extracting text with no tags/formatting in HTML file with Robobrowser, Beautifulsoup in Python使用Robobrowser，Python中的Beautifulsoup在HTML文件中提取没有标签/格式的文本
【发布时间】：2018-10-16 14:18:39
【问题描述】：

<font color="white">
    <b>Name:</b> USERNAME [585743] <br>  
    <b>Money:</b> $MONEY <br>   
    <b>Location:</b> CITY<br>
    <b>Level:</b> 43<br>
    <b>Gold:</b> 4706 / 5315<br>
</font>

我在一个杂乱的页面中有这个 HTML。我想提取每个</b> 和<br> 之间的元素。它们是纯文本，没有我可以使用的有用的类或 ID。

到目前为止我使用过的代码：

browser.open(bank_url)

soup = browser.parsed


result2 = re.search(r'</b> (.*?)<br/>', src).group(0)
print(result2)

这导致了

</b> USERNAME [585743] <br>

正在打印。这是一个好的开始，但由于某种原因，我无法打印更多元素？

有没有办法只提取一段特定的文本？例如金色文字 4706 / 5315 ?

我在 python 3.6 中使用 robobrowser，beautifulsoup

【问题讨论】：

标签： python-3.x beautifulsoup robobrowser

【解决方案1】：

如果你使用 beautifulsoup，你应该首先创建 BeautifulSoup 对象：

from bs4 import BeautifulSoup

soup = BeautifulSoup('''<font color="white">)
     <b>Name:</b> USERNAME [585743] <br>  
     <b>Money:</b> $MONEY <br>   
     <b>Location:</b> CITY<br>
     <b>Level:</b> 43<br>
     <b>Gold:</b> 4706 / 5315<br>
</font>''', 'html.parser')

然后你可以解析你需要的文本，找到<b>元素并获取它们的next_sibling：

>>> for i in soup.findAll('b'):
     print(i.next_sibling)

 USERNAME [585743] 
 $MONEY 
 CITY
 43
 4706 / 5315

【讨论】：

我不明白，代码块是大型网站的一小块。我的问题是我没有一个好的方法来告诉 beautifulsoup 选择什么。我如何告诉它选择你在那里复制的所有内容？
你可以使用字体标签，如果你确定块总是在里面
我已经尝试过字体标签，但由于某种原因，我在处理多行时遇到了很多麻烦。不使用正则表达式怎么做字体标签？

【解决方案2】：

使用.next_sibling，您可以从元素中获取Gold: 旁边的值。这就是这种方法的样子：

from bs4 import BeautifulSoup

element = """
<font color="white">
    <b>Name:</b> USERNAME [585743] <br>  
    <b>Money:</b> $MONEY <br>   
    <b>Location:</b> CITY<br>
    <b>Level:</b> 43<br>
    <b>Gold:</b> 4706 / 5315<br>
</font>
"""
soup = BeautifulSoup(element,"lxml")
item = [elem.next_sibling.strip() for elem in soup.select("font b") if "Gold" in elem.text]
print(' '.join(item))

输出：

4706 / 5315

【讨论】：

我猜你可以直接使用soup.find('b', text='Gold:').next_sibling。
是的，我一开始就注意到了，但问题是：上面粘贴的 OP 元素是一大块分散的缺陷。因此，如果有另一个容器具有另一个标签名称（font 除外）将Gold: 作为项目，那么代码将给出错误的结果。谢谢。
感谢您的回复，是的，该网站一团糟，没有任何 div 标签。它只是一堆和和几乎没有任何类。我会试试你说的。我还有 1 个问题，我使用 robobrowser 登录网站，soup.find 的东西会让我保持登录状态吗？我是新手。我遇到的一个问题是，如果我运行 html 请求，它会获取已注销的站点。

BeautifulSoup 在登录过程中不起任何作用。它是目前最好的解析器之一。它可以帮助您从任何浏览器模拟器或 http 请求生成的元素中获取文本。所以它不应该与您的登录事物有任何冲突。谢谢。