python - 如何在python中的两个不同标签之间提取html？

Question

我有以下html：

<h2>blah</h2>
html content to extract 
(here can come tags, nested structures too, but no top-level h2)
<h2>other blah</h2>

我可以在不使用string.split("<h2>")python 的情况下提取内容吗？
（比如说，使用 BeautifulSoup 还是使用其他库？）

Answer 1

以下是一些使用来自http://htql.net的 HTQL 的测试代码：

sample="""<h2>blah</h2>
        html content to extract 
        <div>test</div>
        <h2>other blah<h2>
    """

import htql
htql.query(sample, "<h2 sep excl>2")
# [('\n        html content to extract \n        <div>test</div>\n        ',)]

htql.query(sample, "<h2 sep> {a=<h2>:tx; b=<h2 sep excl>2 | a='blah'} ")
# [('blah', '\n        html content to extract \n        <div>test</div>\n        ')]

Answer 2

使用 BeautifulSoup，使用.next_siblingsiterable 获取标签后面的文本：

>>> from bs4 import BeautifulSoup, NavigableString
>>> from itertools import takewhile
>>> sample = '<h2>blah</h2>\nhtml content to extract\n<h2>other blah<h2>'
>>> soup = BeautifulSoup(sample)
>>> print ''.join(takewhile(lambda e: isinstance(e, NavigableString), soup.h2.next_siblings))

html content to extract

这将查找元素后面的所有文本元素soup.h2并将它们连接成一个字符串。

Answer 3

让我分享一个更强大的解决方案：

def get_chunk_after_tag(tag):
    """ tag is a tag element in a bs4 soup.
    """
    result = ''
    for elem in tag.next_siblings:
        if isinstance(elem, bs4.Tag) and elem.name == tag.name:
            break
        result += str(elem)
    return result

<hX>用于从to中提取文本<hX>。它很容易修改以将文本从标签提取到另一个标签。