with - python crawler beautifulsoup




Solo estraendo testo da questo elemento, non dai suoi figli (3)

Potresti usare i contents

>>> print soup.html.contents[0]
yes

o per ottenere tutti i testi in html, usa findAll (text = True, recursive = False)

>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False) 
[u'x', u'yes']

sopra uniti per formare una singola stringa

>>> ''.join(soup.html.findAll(text=True, recursive=False)) 
u'xyes'

Voglio estrarre solo il testo dall'elemento più in alto della mia zuppa; tuttavia soup.text fornisce anche il testo di tutti gli elementi figli:

io ho

import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text

L'output di questo è yesno . Voglio semplicemente "sì".

Qual è il modo migliore per raggiungere questo obiettivo?

Modifica : desidero anche che venga emesso yes durante l'analisi di ' <html><b>no</b>yes</html> '.


Potresti voler esaminare il modulo del soupparser di soupparser , che ha il supporto per XPath:

>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']

che dire di .find(text=True) ?

>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'

MODIFICARE:

Penso di aver capito cosa vuoi ora. Prova questo:

>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'






beautifulsoup