解析未闭合`＆LT; BR＆gt;在BeautifulSoup`标签 [英] Parsing unclosed `<br>` tags with BeautifulSoup

问题描述

BeautifulSoup有连续收逻辑＆LT; BR＆GT; 标记，没有做完全是我想要做的事。例如，

 ＆GT;＆GT;＆GT;从BS4进口BeautifulSoup
＆GT;＆GT;＆GT; BS = BeautifulSoup（'吲; BR＆GT;二＆LT; BR＆GT;三＆LT; BR＆GT;四'）
 

该HTML将呈现为

 单
二
三
四
 

我想它解析为一个字符串列表， [一，二，三化，四] 。 BeautifulSoup的标签收盘逻辑意味着我得到嵌套的标签，当我要求所有的＆LT; BR＆GT; 元素

 ＆GT;＆GT;＆GT; BS（'BR'）
[＆LT; BR＆GT;二＆LT; BR＆GT;三＆LT; BR＆GT;四＆LT; / BR＆GT;＆LT; / BR＆GT;＆LT; / BR＆gt;中
 ＆LT; BR＆GT;三＆LT; BR＆GT;四＆LT; / BR＆GT;＆LT; / BR＆gt;中
 ＆LT; BR＆GT;四＆LT; / BR＆GT;]
 

有没有一种简单的方法来得到我想要的结果呢？

解决方案

 进口BS4作为BS
汤= bs.BeautifulSoup（'吲; BR＆GT;二＆LT; BR＆GT;三＆LT; BR＆GT;四'）
打印（soup.find_all（文= TRUE））
 

收益

  [u'one'，u'two'，u'three'，u'four']
 

---

或者，使用 LXML ：

 进口lxml.html为LH
DOC = LH.fromstring（'吲; BR＆GT;二＆LT; BR＆GT;三＆LT; BR＆GT;四'）
打印（列表（doc.itertext（）））
 

收益

  [一，二，三化，四]
 

BeautifulSoup has logic for closing consecutive <br> tags that doesn't do quite what I want it to do. For example,

>>> from bs4 import BeautifulSoup
>>> bs = BeautifulSoup('one<br>two<br>three<br>four')

The HTML would render as

one
two
three
four

I'd like to parse it into a list of strings, ['one','two','three','four']. BeautifulSoup's tag-closing logic means that I get nested tags when I ask for all the <br> elements.

>>> bs('br')
[<br>two<br>three<br>four</br></br></br>,
 <br>three<br>four</br></br>,
 <br>four</br>]

Is there a simple way to get the result I want?

解决方案

import bs4 as bs
soup = bs.BeautifulSoup('one<br>two<br>three<br>four')
print(soup.find_all(text=True))

yields

[u'one', u'two', u'three', u'four']

---

Or, using lxml:

import lxml.html as LH
doc = LH.fromstring('one<br>two<br>three<br>four')
print(list(doc.itertext()))

yields

['one', 'two', 'three', 'four']

这篇关于解析未闭合`＆LT; BR＆gt;在BeautifulSoup`标签的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！