提取href目标锚文本

Question

*更新：我现在得到了 Href 链接。只需要进行搜索以获取每个项目之间的所有文本。

这是我的代码： 1. 获取开始和结束数据。

import requests
from bs4 import BeautifulSoup
import re
import urllib
new_text=urllib.request.urlopen("https://www.sec.gov/Archives/edgar/data/1294017/000119312505142547/0001193125-05-142547.txt") 
soup = BeautifulSoup(new_text, 'lxml')
results = soup.findAll("a", {"name" : True})
print(results)

所以我得到了这些：

<a name="toc"></a>, <a name="toc51579_1"></a>, <a name="toc51579_2"></a>,

1. 获取每个起点和终点之间的文本。 （在这里，我想创建一个循环以从上面的列表中获取第一项和第二项，插入 re.search 并获取每个之间的所有文本。但我被困在这一点上。我无法让这个循环工作。我想我在将第一个和第二个数据点作为文本插入 re.search 函数时犯了一个错误。

   for i in enumerate(results): new_text=re.search(r''+re.escape(results[i])+re.escape('.*?')+re.escape(results(i+1)), 汤, re.DOTALL)。团体（） 打印（新文本）

原问题：

假设我可以获得 Anchor Href 的链接，我如何提取文本中锚点 Href 点之间的文本？

所以基本上，我有

<A HREF="#toc51579_1">Summary</A>

和

<A HREF="#toc51579_2">Risk Factors</A>

我想按照锚点 href 转到摘要页面，将所有文本拉到风险因素页面。

如：从

<A NAME="toc51579_1"></A>Summary </B></FONT></P>

最多 风险因素

我的第一篇文章，所以请多多包涵。 :)

非常感谢。

这是目录页。我不需要这里的文字。这是为了显示anchor Hrefs的位置。

    <TR>
<TD WIDTH="88%"></TD>
<TD VALIGN="bottom" WIDTH="8%"></TD>
<TD></TD></TR>
<TR>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;</FONT></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="center" STYLE="border-bottom:1px solid #000000"><FONT STYLE="font-family:Times New Roman" SIZE="1"><B>Page</B></FONT></TD></TR>
<TR>
<TD VALIGN="top"> <P STYLE="margin-left:1.00em; text-indent:-1.00em"><FONT STYLE="font-family:Times New Roman" SIZE="2"><A HREF="#toc51579_1">Summary</A></FONT></P></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="right"><FONT STYLE="font-family:Times New Roman" SIZE="2">1</FONT></TD></TR>
<TR>
<TD VALIGN="top"> <P STYLE="margin-left:1.00em; text-indent:-1.00em"><FONT STYLE="font-family:Times New Roman" SIZE="2"><A HREF="#toc51579_2">Risk Factors</A></FONT></P></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="right"><FONT STYLE="font-family:Times New Roman" SIZE="2">15</FONT></TD></TR>

Answer 1

您想要文本，而不是实际的 href 值正确吗？文本值位于 <a> 标记内。所以做一个.find_all('a')。然后遍历这些元素，并获取文本，我们使用.text

html = '''    <TR>
<TD WIDTH="88%"></TD>
<TD VALIGN="bottom" WIDTH="8%"></TD>
<TD></TD></TR>
<TR>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;</FONT></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="center" STYLE="border-bottom:1px solid #000000"><FONT STYLE="font-family:Times New Roman" SIZE="1"><B>Page</B></FONT></TD></TR>
<TR>
<TD VALIGN="top"> <P STYLE="margin-left:1.00em; text-indent:-1.00em"><FONT STYLE="font-family:Times New Roman" SIZE="2"><A HREF="#toc51579_1">Summary</A></FONT></P></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="right"><FONT STYLE="font-family:Times New Roman" SIZE="2">1</FONT></TD></TR>
<TR>
<TD VALIGN="top"> <P STYLE="margin-left:1.00em; text-indent:-1.00em"><FONT STYLE="font-family:Times New Roman" SIZE="2"><A HREF="#toc51579_2">Risk Factors</A></FONT></P></TD>
<TD VALIGN="bottom"><FONT SIZE="1">&nbsp;&nbsp;</FONT></TD>
<TD VALIGN="bottom" ALIGN="right"><FONT STYLE="font-family:Times New Roman" SIZE="2">15</FONT></TD></TR>'''

import bs4

soup = bs4.BeautifulSoup(html, 'html.parser')

alpha = soup.find_all('a')

for ele in alpha:
    print (ele.text)

输出：

Summary
Risk Factors

如果碰巧有其他<a> 标签没有href，但您只想要带有href 的标签，您只需将其添加到您的find_all() 中

soup.find_all('a', href=True)