Beautiful Soup：从 中提取所有

Question

我有一个非常愚蠢和烦人的问题，我尝试将 html 转换为 markdown 但我的 html 格式很愚蠢：我一直有这样的东西：

<strong>Ihre Aufgaben:<br/></strong>

或

<strong> <br/>Über die XXXX GmbH:<br/></strong>

完全有效 HTML.

但是我的库转换为 Markdown (HTML2Text) 将其转换为：

**Ihre Aufgaben:\n**

和

** \nÜber die XXXX GmbH:\n**

这是一个 already reported issue 因为 markdown 无效并且无法正确呈现

我解决这个问题的方法如下：

使用BeautifulSoup找出导致这个问题的所有strong
将   分为 2 组：在文本之前的那些和在文本之后的那些。
将文本后面的展开，以便将它们推出

我的代码（格式还不是很好）：

soup = BeautifulSoup(html)
emphased = soup.find_all('strong')
for single in emphased:
    children = single.children
    before = 0
    foundText = None
    after = 0
    for child in children:
        if not isinstance(child, NavigableString):
             if foundText:
                after += 1
                child.unwrap()
             else:
                before += 1
                # DOES NOT WORK
                child.unwrap()
        else:
           foundText = single.get_text().strip()

我目前的问题是什么？

我想解开   before 内容并将它们放在 before  元素和我无法实现（并且没有在文档中找到如何进行）。

我想更普遍地实现什么？:

我想转换：

<strong> <br/>Über die XXXX GmbH: </strong>

进入

# Note the space
(whitespace)<br/><strong>Über die XXXX GmbH:</strong>(whitespace)

不一定非得用Beautiful Soup，我只是不知道其他解决方案。

提前致谢！

Answer 1

根据您的示例，您可以从 strong 标签中提取所有 br 标签并添加到它们前面，用新标签替换最新标签。

这是一个片段：

from bs4 import BeautifulSoup

soup = BeautifulSoup("<strong>Ihre Aufgaben:<br/></strong>", "html.parser")
for strong in soup.find_all("strong"):
    [s.extract() for s in strong.find_all('br')]
    strong.string = strong.get_text(strip=True)
    strong.replaceWith(BeautifulSoup( " %s%s " % ("<br/>", strong), "html.parser"))
print soup

输出：

 Ihre Aufgaben:

Beautiful Soup：从 <strong> 中提取所有 <br/>

Beautiful Soup: Extracting all the <br/> from the <strong>

html

python

parsing

beautifulsoup

dom-manipulation