使用美丽的汤 4 提取子标签以及未标记的文本

Question

<div class="parent">
 <h1>  Jeff Bezos </h1>
 CEO and Founder, Amazon
 <h2> Elon musk <h2>
 <p> CEO of SpaceX <p>
 <p> CEO of <a>Tesla<a> <p>
</div>

所以本质上我需要遍历父级的所有子级，而我之前使用过这段代码

parent.find_all(recursive=False)：

但现在我遇到了一个问题，我的页面包含未标记的文本，因此在此示例中为“CEO 和创始人，亚马逊”。子标签可以有很深的嵌套，但我需要遍历所有下一级的项目，包括未标记的文本。这里没有我可以使用的结构或模式，未标记的文本位于 html 中的随机位置

我的预期输出：

["<h1>  Jeff Bezos </h1>", 
 "CEO and Founder, Amazon", 
 "<h2> Elon musk <h2>",
 "<p> CEO of SpaceX <p>",
 "<p> CEO of <a>Tesla<a> <p>"]

带有标签的行仍然是 bs4 对象，但字符串被提取为 navigablestring 或只是文本

有什么办法吗？

Answer 1

from bs4 import BeautifulSoup

html = """<div class="parent">
 <h1>  Jeff Bezos </h1>
 CEO and Founder, Amazon
 <h2> Elon musk <h2>
 <p> CEO of SpaceX <p>
 <p> CEO of <a>Tesla<a> <p>
</div>
"""


soup = BeautifulSoup(html, 'lxml')
print(list(soup.select_one('.parent').stripped_strings))

输出：

['Jeff Bezos', 'CEO and Founder, Amazon', 'Elon musk', 'CEO of SpaceX', 'CEO of', 'Tesla']