如何将文本和图像刮到一起？答案

【问题标题】：how to scraep text and image together?如何将文本和图像刮到一起？
【发布时间】：2013-08-26 19:00:55
【问题描述】：

我正在使用 beautifulSoup4 开发网页抓取工具。我想获取文章的文字和图片，但是有一些问题！ html代码是这样的：

<div>
 some texts1
 <br />
 <img src="imgpic.jpg" />
 <br />
 some texts2
</div>

我得到了整个文本：

post_soup.get_text()

并像往常一样将所有图像保存在div 和urllib2 最后我将它们保存在一个html页面中，最后将所有文本和图像放在顶部，但我想将它们保存在新的html页面中，就像我抓取它们的页面一样，我的意思是首先some texts1然后image然后@987654327 @

有什么建议吗？

【问题讨论】：

标签： python-2.7 web-scraping beautifulsoup

【解决方案1】：

这不是最好和正确的方法，但应该可以：

from bs4 import BeautifulSoup

html = "<div>\
 some texts1\
 <br />\
 <img src=\"imgpic.jpg\" />\
 <br />\
 some texts2\
</div>"

soup = BeautifulSoup(html)
text = "+".join(soup.stripped_strings).split("+")

print text[0]
print soup.find("img")['src']
print text[1]

输出：

some texts1
imgpic.jpg
some texts2

【讨论】：

+1 怎么会更好？它正确地在顶部/底部获取多行字符串。

【解决方案2】：

我不会使用get_text()，而是使用prettify() 将您想要的整个<div> 部分作为字符串返回。这样，您始终可以保证在顶部和底部有正确的文本。从那里你可以剥离部分字符串以获得你想要的：

# post_soup is the <div> element you posted
s = post_soup.prettify()
split_s = s.split('<br/>')
top = split_s[0].strip('<div>')
bottom = split_s[-1].strip('</div>')

输出：

>>> top
u'\n some texts1\n '
>>> bottom
u'\n some texts2\n'

【讨论】：