Python beautifulsoup - 获取所有由 break 标记分隔的文本

Question

我有以下表格：

<table width="100%" border="0" cellspacing="2" cellpadding="0">
                      <tbody><tr> 
                        <td class="labelplain">ANGARA, EDGARDO J.<br>ENRILE, JUAN PONCE<br>MAGSAYSAY JR., RAMON B.<br>ROXAS, MAR<br>GORDON, RICHARD "DICK" J.<br>FLAVIER, JUAN M.<br>MADRIGAL, M. A.<br>ARROYO, JOKER P.<br>RECTO, RALPH G.<br></td>
                      </tr>
                    </tbody></table>

我可以使用下面的代码遍历 HTML 的这一部分：

soup.find('td', text = re.compile('Co-author\(s'), attrs={'class': 'labelplain'}).find_next('td')
coauthor = soup.find('td', text = re.compile('Co-author\(s'), attrs={'class': 'labelplain'}).find_next('td')

我可以使用下面的方法获取文本：

for br in coauthor.find_all('br'):
  firstcoauthor = (br.previousSibling)
  print (firstcoauthor)

我想要到达的输出是所有文本的结果，然后用分号 (;) 分隔，如下所示： ANGARA, EDGARDO J.；ENRILE, JUAN PONCE；MAGSAYSAY JR., RAMON B.；ROXAS, MAR；GORDON, RICHARD "DICK" J.；FLAVIER, JUAN M.；MADRIGAL, M. A.；ARROYO, JOKER P.；RECTO,拉尔夫·G.

但是上面的代码给出了如下结果：

ANGARA, EDGARDO J.
ENRILE, JUAN PONCE
MAGSAYSAY JR., RAMON B.
ROXAS, MAR
GORDON, RICHARD "DICK" J.
FLAVIER, JUAN M.
MADRIGAL, M. A.
ARROYO, JOKER P.
RECTO, RALPH G.

我尝试了替换功能，但没有用。

print (firstcoauthor.replace("\n", ";"))

和

print (firstcoauthor.replace("\r\n", ";"))

甚至转义 \r\n 和 \n 像这样：

print (firstcoauthor.replace("\n", ";"))

如何处理我的用例？

Answer 1

Select 你想要的元素 - 我只是在这里选择 td ......（但是使用任何你有嵌入 br 元素的元素）

data = soup.select_one('td')

然后...将所有 br 元素替换为 semi-colon:

for br in data.select('br'):
    br.replace_with(';')

获取元素的文本：

output = data.get_text()
# 'ANGARA, EDGARDO J.;ENRILE, JUAN PONCE;MAGSAYSAY JR., RAMON B.;ROXAS, MAR;GORDON, RICHARD "DICK" J.;FLAVIER, JUAN M.;MADRIGAL, M. A.;ARROYO, JOKER P.;RECTO, RALPH G.;'

Answer 2

认为通过将 join/delimiter 参数设置为 get_text():

可以更简单地获得该结果

soup.find('td').get_text(';')

根据你的例子你会得到：

ANGARA, EDGARDO J.;ENRILE, JUAN PONCE;MAGSAYSAY JR., RAMON B.;ROXAS, MAR;GORDON, RICHARD "DICK" J.;FLAVIER, JUAN M.;MADRIGAL, M. A.;ARROYO, JOKER P.;RECTO, RALPH G.

编辑

根据您评论中提到的行为，额外的分号，我怀疑元素的结构与问题中的不同，并且有额外的中断。

既然如此，我会改变策略并推荐：

将额外的 strip 参数添加到 get_text():

soup.find('td').get_text(';', strip=True)

或者使用stripped_strings中的join()，几乎是一样的：
```
';'.join(soup.find('td').stripped_strings)
```

示例HTML

向 HTML 添加了额外的 <br>、空格和换行符。

html = '''
<table width="100%" border="0" cellspacing="2" cellpadding="0">
    <tbody><tr>
    
    <br>
           <td class="labelplain">
           ANGARA, EDGARDO J.<br>ENRILE, JUAN PONCE<br>MAGSAYSAY JR., RAMON B.<br>ROXAS, MAR<br>GORDON, RICHARD "DICK" J.<br>FLAVIER, JUAN M.<br>MADRIGAL, M. A.<br>ARROYO, JOKER P.<br>RECTO, RALPH G.<br> 
           
           <br>
           </td>
           </tr>
</tbody></table>'''

输出

ANGARA, EDGARDO J.;ENRILE, JUAN PONCE;MAGSAYSAY JR., RAMON B.;ROXAS, MAR;GORDON, RICHARD "DICK" J.;FLAVIER, JUAN M.;MADRIGAL, M. A.;ARROYO, JOKER P.;RECTO, RALPH G.

Python beautifulsoup - 获取所有由 break 标记分隔的文本

Python beautifulsoup - get all text separated by break tag

python

string

web-scraping

beautifulsoup

replace

编辑

示例HTML

输出