我尝试从以下 HTML 中提取“这是我的文本”：
<html>
<body>
<table>
<td class="MYCLASS">
<!-- a comment -->
<a hef="xy">Text</a>
<p>something</p>
THIS IS MY TEXT
<p>something else</p>
</br>
</td>
</table>
</body>
</html>
我试过这样：
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
print hit.text
但是我得到了所有嵌套标签之间的所有文本以及评论。
任何人都可以帮助我从中得到“这是我的文字”吗？
详细了解如何在BeautifulSoup. 解析树得到tags和NavigableStrings（因为这是一个文本）。一个例子
from BeautifulSoup import BeautifulSoup
doc = ['<html><head><title>Page title</title></head>',
'<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',
'<p id="secondpara" align="blah">This is paragraph <b>two</b>.',
'</html>']
soup = BeautifulSoup(''.join(doc))
print soup.prettify()
# <html>
# <head>
# <title>
# Page title
# </title>
# </head>
# <body>
# <p id="firstpara" align="center">
# This is paragraph
# <b>
# one
# </b>
# .
# </p>
# <p id="secondpara" align="blah">
# This is paragraph
# <b>
# two
# </b>
# .
# </p>
# </body>
# </html>
要向下移动您拥有的解析树contents和string.
contents 是页面元素中包含的 Tag 和 NavigableString 对象的有序列表
如果标签只有一个子节点，并且该子节点是一个字符串，则该子节点作为 tag.string 以及 tag.contents[0] 可用
对于以上，也就是说你可以得到
soup.b.string
# u'one'
soup.b.contents[0]
# u'one'
对于几个子节点，您可以拥有例如
pTag = soup.p
pTag.contents
# [u'This is paragraph ', <b>one</b>, u'.']
所以在这里你可以玩contents并在你想要的索引处获取内容。
你也可以迭代一个标签，这是一个快捷方式。例如，
for i in soup.body:
print i
# <p id="firstpara" align="center">This is paragraph <b>one</b>.</p>
# <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>
改用.children：
from bs4 import NavigableString, Comment
print ''.join(unicode(child) for child in hit.children
if isinstance(child, NavigableString) and not isinstance(child, Comment))
是的，这有点像舞蹈。
输出：
>>> for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
... print ''.join(unicode(child) for child in hit.children
... if isinstance(child, NavigableString) and not isinstance(child, Comment))
...
THIS IS MY TEXT
您可以使用.contents：
>>> for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
... print hit.contents[6].strip()
...
THIS IS MY TEXT
用你自己的汤对象：
soup.p.next_sibling.strip()
soup.p（这取决于它是解析树中的第一个 <p> ）next_sibling在返回的标记对象上使用，soup.p因为所需的文本与 <p> 嵌套在解析树的同一级别.strip()只是一个删除前导和尾随空格的 Python str 方法在解释器中，这看起来像：
In [4]: soup.p
Out[4]: <p>something</p>
In [5]: type(soup.p)
Out[5]: bs4.element.Tag
In [6]: soup.p.next_sibling
Out[6]: u'\n THIS IS MY TEXT\n '
In [7]: type(soup.p.next_sibling)
Out[7]: bs4.element.NavigableString
In [8]: soup.p.next_sibling.strip()
Out[8]: u'THIS IS MY TEXT'
In [9]: type(soup.p.next_sibling.strip())
Out[9]: unicode
简短的回答：soup.findAll('p')[0].next
真正的答案：你需要一个不变的参考点，你可以从这个参考点到达你的目标。
您在对 Haidro 的回答的评论中提到，您想要的文本并不总是在同一个地方。找到一种感觉，它相对于某个元素在同一个地方。然后弄清楚如何让 BeautifulSoup 沿着那个不变的路径导航解析树。
例如，在您在原始帖子中提供的 HTML 中，目标字符串立即出现在第一个段落元素之后，并且该段落不为空。因为findAll('p')会找到段落元素，soup.find('p')[0]所以会是第一个段落元素。
在这种情况下，您可以使用soup.find('p')但soup.findAll('p')[n]更通用，因为您的实际场景可能需要第 5 段或类似的内容。
field 属性将next是树中下一个解析的元素，包括子元素。Sosoup.findAll('p')[0].next包含段落的文本，并将soup.findAll('p')[0].next.next在提供的 HTML 中返回您的目标。
soup = BeautifulSoup(html)
for hit in soup.findAll(attrs={'class' : 'MYCLASS'}):
hit = hit.text.strip()
print hit
这将打印：这是我的文本试试这个..
BeautifulSoup 文档提供了一个关于使用 extract 方法从文档中删除对象的示例。在以下示例中，目的是从文档中删除所有注释：
移除元素
一旦你引用了一个元素，你就可以使用 extract 方法将它从树中取出。此代码 从文档中删除所有注释：
from BeautifulSoup import BeautifulSoup, Comment
soup = BeautifulSoup("""1<!--The loneliest number-->
<a>2<!--Can be as bad as one--><b>3""")
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
[comment.extract() for comment in comments]
print soup
# 1
# <a>2<b>3</b></a>