如何在保留一些内部标签的同时获取此 html 元素的文本答案

【问题标题】：How to get text of this html element while preserving some inner tags如何在保留一些内部标签的同时获取此 html 元素的文本
【发布时间】：2021-10-27 21:24:57
【问题描述】：

我正在使用 BeautifulSoup，并在我的文档中找到了一个元素，如下所示：

<p><a id="_Toc374204393"></a><a id="_Toc374204469"></a>Hershey's<sup>®</sup> makes yummy chocolate</p>

我想提取

Hershey's<sup>®</sup> makes yummy chocolate

我知道我可以拿走这个项目并抓住它的.contents，然后如果它不包含<a>，则重新加入文本，但这似乎是一种超级笨拙的方法。我还能如何得到这个文本？使用 get_text() 之类的方法将文本返回给我，但没有我想保留的 <sup> 标记。

【问题讨论】：

您是如何继续使用.contents 方法的？我提供的答案比这更好吗？
.contents 会给我类似[a id="_Toc374204393"></a>,<a id="_Toc374204469"></a>,"Hershey's",<sup>®</sup>, "makes yummy chocolate"] 的东西，我可以从中迭代并以某种方式删除 a 标签。我想这是一个很好的答案，但似乎有一种方法可以做我想做的事。也许没有。

标签： python html beautifulsoup

【解决方案1】：

你可以使用next_siblings:

from bs4 import BeautifulSoup

html = """<p><a id="_Toc374204393"></a><a id="_Toc374204469"></a>Hershey's<sup>®</sup> makes yummy chocolate</p>"""
soup = BeautifulSoup(html, "html.parser")

print(
    "".join(str(x) for x in soup.find("a", id="_Toc374204469").next_siblings)
)

输出：

Hershey's<sup>®</sup> makes yummy chocolate

【讨论】：

这适用于这种特殊情况，但并不理想，因为我有其他字符串没有这个 id 属性可以打开，所以它一般不起作用。
@gammapoint "".join(str(x) for x in soup.select_one("a:last-of-type").next_siblings) 工作吗？
谢谢，孟德尔。这也可能有效，但我不确定它是否比我刚刚在上面找到并发布的bleach 的方法更好。

【解决方案2】：

迄今为止我发现的最佳解决方案是使用bleach 包。有了这个，我就可以了

import bleach
bleach.clean(my_html, tags=['sup'], strip=True)

起初这对我不起作用，因为我的 html 是 BeautifulSoup Tag 对象，而漂白想要 html。所以我只是做了str(Tag) 来获取 html 表示并将其提供给漂白。

【讨论】：