如何从这个 HTML 字符串中拆分出文本元素？ Python答案

【问题标题】：How can I split the text elements out from this HTML String? Python如何从这个 HTML 字符串中拆分出文本元素？ Python
【发布时间】：2020-08-04 08:00:43
【问题描述】：

早安，

我正在用 Python 进行一些 HTML 解析，我遇到了以下问题，这是单个表格单元格中的时间和名称配对。我正在尝试分别提取每条信息，并尝试了几种不同的方法来拆分以下字符串。

HTML 字符串：

13:30 SecondWord</a>

希望我的输出是：

text1 = 13:30
text2 = "SecondWord"

我目前正在使用循环遍历表中的所有行，我在其中获取文本并将其拆分为新行。我注意到 HTML 之间有一个换行符，因此它在网络上单独呈现，我试图用新行替换它并在其上运行我的拆分 - 但是我的 string.replace() 和 re.sub()方法似乎不起作用。我很想知道我做错了什么。

最新方法：

resub_pat = r'<br/>'
rows=list()
for row in table.findAll("tr"):
    a = re.sub(resub_pat,"\n",row.text).split("\n")

这有点杂乱无章，但我希望我已经抓住了我的问题！我找不到任何类似的问题。

【问题讨论】：

标签： python html python-3.x beautifulsoup

【解决方案1】：

你可以试试：

from bs4 import BeautifulSoup
import re

# the soup
soup = BeautifulSoup("<span><strong>13:30</strong><br/>SecondWord</span></a>", 'lxml')

# the regex object
rx = re.compile(r'(\d+:\d+)(.+)')

# time, text
text = soup.find('span').get_text()
x,y  = rx.findall(text)[0]
print(x)
print(y)

【讨论】：

太棒了，谢谢！这里的所有答案都很好，但我选择了这个，因为正则表达式解决方案也可以转移到其他地方 - 谢谢！

【解决方案2】：

使用recursive=False 仅获取直接文本，使用strong.text 获取另一个文本。

例如：

from bs4 import BeautifulSoup

soup = BeautifulSoup("<span><strong>13:30</strong><br/>SecondWord</span></a>", 'lxml')

# text1
print(soup.find("span").strong.text)     # --> 13:30
# text2          
print(soup.find("span").find(text=True, recursive=False))  # --> SecondWord

【讨论】：

【解决方案3】：

from bs4 import BeautifulSoup


txt = '''<span><strong>13:30</strong><br/>SecondWord</span></a>'''
soup = BeautifulSoup(txt, 'html.parser')

text1, text2 = soup.span.get_text(strip=True, separator='|').split('|')

print(text1)
print(text2)

打印：

13:30
SecondWord

【讨论】：