如何提取“br”之前的文本？答案

【问题标题】：How to extract text before "br"?如何提取“br”之前的文本？
【发布时间】：2015-12-08 15:20:36
【问题描述】：

我有一个小问题。我正在使用 python 2.7.8。我正在尝试提取应该在 br> 之前的文本。我喜欢：

<html>
<body>
<div class="entry-content" >
<p>Here is a listing of C interview questions on “Variable Names” along with answers, explanations and/or solutions:
</p>

<p>1. C99 standard guarantees uniqueness of ____ characters for internal names.<br>
a) 31<br>
b) 63<br>
c) 12<br>
d) 14</p>
<p> more </p>
<p>2. C99 standard guarantess uniqueness of _____ characters for external names.<br>
a) 31<br>
b) 6<br>
c) 12<br>
d) 14</p>
 </div>
</body>
</html>

我尝试过的代码目前在 br> 之后而不是在 br 之前。这是代码：

from BeautifulSoup import BeautifulSoup, NavigableString, Tag
soup2 = BeautifulSoup(htmls)

for br2 in soup2.findAll('br'):
    next = br2.previousSibling
    if not (next and isinstance(next,NavigableString)):
        continue
    next2 = next.previousSibling
    if next2 and isinstance(next2,Tag) and next2.name == 'br':
        text = str(next).strip()
        if text:

            print "Found:", next.encode('utf-8')

输出给了我：

Found: 
a) 31
Found: 
b) 63
Found: 
c) 12
Found:
d) 14 
a) 31
Found: 
b) 6
Found: 
c) 12
Found:
d) 14 
Found:

知道我哪里做错了。

【问题讨论】：

任何一个？？？我还在尝试但失败了......
井列表不在里面。如果你能表达你的意思？

标签： python html beautifulsoup html-parsing

【解决方案1】：

首先，我会改用BeautifulSoup version 4。 BeautifulSoup3 已经很老了，不再维护了：

美汤 3 已被美汤 4 取代。

Beautiful Soup 3 仅适用于 Python 2.x，但 Beautiful Soup 4 也适用适用于 Python 3.x。 Beautiful Soup 4 速度更快，功能更多，并与 lxml 和 html5lib 等第三方解析器一起使用。一旦测试期结束，您应该使用 Beautiful Soup 4 进行所有新的项目。

运行：

pip install beautifulsoup4

并从以下位置更改您的导入语句：

from BeautifulSoup import BeautifulSoup

到：

from bs4 import BeautifulSoup

现在，我要做的是找到问题文本和get the following br siblings。对于每个兄弟姐妹，获取next_sibling 这将是答案选项。工作代码：

soup = BeautifulSoup(data, "html5lib")  # using "html5lib" parser here

for question in soup.find_all(text=re.compile(r"^\d+\.")):
    answers = [br.next_sibling.strip() for br in question.find_next_siblings("br")]

    print(question)
    print(answers)
    print("------")

对于问题中提供的示例 HTML，它会打印：

1. C99 standard guarantees uniqueness of ____ characters for internal names.
[u'a) 31', u'b) 63', u'c) 12', u'd) 14']
------
2. C99 standard guarantess uniqueness of _____ characters for external names.
[u'a) 31', u'b) 6', u'c) 12', u'd) 14']
------

请注意，您可能需要安装html5lib library：

pip install html5lib

【讨论】：

我在 python 2.7.8 上。 html5lib 和 b4 支持吗？
我收到此错误：eatureNotFound：找不到具有您要求的功能的树生成器：html5lib。需要安装解析器库吗？
我已经安装了b4和html5
@user3440716 好吧，这说明你还没有安装html5lib：运行pip install html5lib。
我安装了但我做了更改 "soup = BeautifulSoup(htmls, "lxml") " 所以它也是替代答案:) 并且正在工作