Python/bs4：div标签内的span - 文本提取
我在从一个div标签中提取文本时遇到了问题。问题是，在这个div标签里有一个没有开头标签的标签。所以当我这样做时：raw = soup.find('div', class_='inside').text，我只能得到标签之前的文本。
举个例子：
<div class='inside'><div>sth0</div><div>sth1</div></span><div>sth2<div></div>
soup.find('div', class_='inside').text
>>> sth0 sth1
你有没有什么办法可以从div标签中获取完整的文本？谢谢。
补充说明（根据Tanmaya Meher的说法，上面的代码应该可以工作，但对我来说不行，所以我附上了具体的问题）。
当我运行这段代码时：
raw = firmHtml.find('div', class_='inside').text
print raw
我得到的是：
Katalóg Obchody a veľkoobchod
而不是：
Katalóg Obchody a veľkoobchod Stavebniny Izolačný materiál...
这是我代码的一部分。
<div class="inside"><div class="inside2"><a href="/katalog/" style="font-size:12px" title="Katalóg"><span>Katalóg</span></a> <span class="sipka s1"> </span> <a href="/katalog/obchody-a-velkoobchod/" style="font-size:12px" itemprop="url" title="Obchody a veľkoobchod"><span itemprop="title" >Obchody a veľkoobchod</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/stavebniny_1/" style="font-size:12px" itemprop="url" title="Stavebniny"><span itemprop="title" >Stavebniny</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/izolacny-material/" style="font-size:12px" itemprop="url" title="Izolačný materiál"><span itemprop="title" >Izolačný materiál</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/protipoziarne-izolacie/" style="font-size:12px" itemprop="url" title="Protipožiarne izolácie"><span itemprop="title" >Protipožiarne izolácie</span></a></span> <span class="sipka s1"> </span> Ing. Milan Kalafut</div></div></div><div id="main"><div id="content"><div itemscope itemtype="http://schema.org/LocalBusiness" class="business-container"><div id="lavy"><div class="foto s3"><img src="http://s.aimg.sk/katalog/css/images/nologo.gif" alt="Logo nieje k dispozícii" /></div><div id="moznosti">
也许我没看到什么问题。
1 个回答
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup as BS
html_text = '<div class="inside"><div class="inside2"><a href="/katalog/" style="font-size:12px" title="Katalóg"><span>Katalóg</span></a> <span class="sipka s1"> </span> <a href="/katalog/obchody-a-velkoobchod/" style="font-size:12px" itemprop="url" title="Obchody a veľkoobchod"><span itemprop="title" >Obchody a veľkoobchod</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/stavebniny_1/" style="font-size:12px" itemprop="url" title="Stavebniny"><span itemprop="title" >Stavebniny</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/izolacny-material/" style="font-size:12px" itemprop="url" title="Izolačný materiál"><span itemprop="title" >Izolačný materiál</span></a></span> <span class="sipka s1"> </span> <span itemprop="child" itemscope itemtype="http://data-vocabulary.org/Breadcrumb" ><a href="/katalog/protipoziarne-izolacie/" style="font-size:12px" itemprop="url" title="Protipožiarne izolácie"><span itemprop="title" >Protipožiarne izolácie</span></a></span> <span class="sipka s1"> </span> Ing. Milan Kalafut</div></div></div><div id="main"><div id="content"><div itemscope itemtype="http://schema.org/LocalBusiness" class="business-container"><div id="lavy"><div class="foto s3"><img src="http://s.aimg.sk/katalog/css/images/nologo.gif" alt="Logo nieje k dispozícii" /></div><div id="moznosti">'
#html_text = open("a.html",'r').read() #I have commented this, you can do like this too; a.html file contains the same html code as above
firmHtml = BS(html_text)
raw = firmHtml.find('div', class_='inside').text
print (raw)
Katalóg Obchody a veľkoobchod Stavebniny Izolačný materiál Protipožiarne izolácie Ing. Milan Kalafut
输出（在Linux上使用Python 2.7.5和Python 3.3.2时）：