使用beautifulsoup 分隔由`<br>` 分隔的字符串

Question

我想从使用<br> 的网站获取一些数据。在使用 beautifulsoup4 解析的 html 中，有时我有以下模式：

"<p class=some_class>text_1. text_2 (text_3<span class=GramE>)</span> 
<br> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>"

但如果网站以更好的方式编写，它会看起来像：

"<p class=some_class>text_1. text_2(text_3<span class=GramE>)</span 
</p> <p class=some_class>
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>

要提取我想要的字符串，我会提取每个 <p> 中的所有文本。 但是，现在我要分隔的字符串由<br> 分隔。

我的问题如下：如何使用<br> 来解开我感兴趣的字符串部分？我的意思是，我想要[text_1.+text_2+text_3, text_4+text_5.] 之类的东西。

我明确询问<br> 的使用，因为它是我发现的唯一可以分隔我感兴趣的字符串的元素。此外，在网站的其他部分，我用<br/> 分隔我感兴趣的字符串，而不是<br>。

我无法通过使用 replace() 函数来解决这个问题，因为我的对象是来自 bs4 的标签。此外，使用 bs4 中的 find("br") 会给我 "<br/>" 而不是我想要的文本。这样一来，question 中的答案就不是我想要的了。我认为一种方法是将标签从我必须的 bs4 转换为 html，然后使用 replace() 函数更改“<br/>”，最后将其转换回 bs4 元素。但是，我不知道如何进行此更改，并且我也想知道是否有更简单和更短的方法来执行此操作。

Answer 1

这是我找到的一个解决方案，但由于它不使用 bs4 的任何功能，因此它很长且效率低下。不过，它确实有效。

html_doc = """
"<p class=some_class>text_1. text_2 (text_3<span class=GramE>)</span> 
<br> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>"
"""

def replace_br(soup_object):
    html1=str(soup_object)
    html1=html1.replace("<br>", "</p> <p>")
    soup_html1 = BeautifulSoup(html1, 'html.parser')
    return soup_html1.find_all("p")

replace_br(html_doc)
[<p class="some_class">text_1. text_2 (text_3<span class="GramE">)</span>
</p>, <p> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'>
</span>text_5.</p>]