1

下面是一个用 beautifulsoup4 解析的简单 html 段，我希望提取顶级原始文本hello。

mysoup = BeautifulSoup('<td>hello<script type="text/javascript">world</script></td>')

而且我尝试了几种直观的方法，但没有预期的结果：

mysoup.text            # u'helloworld'
mysoup.contents        # [<html><body><td>hello<script type="text/javascript">world</script></td></body></html>]
list(mysoup.strings)   # [u'hello ', u'world']

那么如何实现这个目标呢？

4

1 回答 1

0

首先，获取对td节点的引用。然后，遍历它的孩子，看看它们中的哪些是字符串：

from bs4 import BeautifulSoup
mysoup = BeautifulSoup('<td>hello<script type="text/javascript">world</script></td>')
td = mysoup.find('td')
print [s for s in td.children if isinstance(s, basestring)]
于 2015-04-16T08:03:01.537 回答