在Python/bs4中获取<br/>前的文本

Question

我正在尝试从一个网页上抓取一些数据。这个标签的文本里有换行符和<br/>标签。我只想获取标签开头的电话号码。你能给我一些建议，告诉我怎么只提取这个号码吗？

这是HTML代码：

<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>

在beautifulsoup中，有没有办法只获取标签里的文本，而不包括其他标签包围的文本？还有，怎么去掉文本中的换行符和HTML中的换行符呢？

我使用的是BS4。

我想要的输出是：'+421 48/471 78 14'

你有什么想法吗？谢谢！

Answer 1

另一种方法是使用 decompose() 方法来去掉标签。这个方法会把一个标签从文档树中移除，然后彻底销毁这个标签和它里面的内容。

from bs4 import BeautifulSoup

string = '''
<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>
'''

soup = BeautifulSoup(string, 'html.parser')
em = soup.select_one('em').decompose()

phone = soup.select_one('td').text.strip()
print(phone)

输出结果：

+421 48/471 78 14

Answer 2

这对你有用吗？

>>> from bs4 import BeautifulSoup
>>> str = str.replace("\n", "") # get rid of newlines
>>> str = "<td>   +421 48/471 78 14    <br /><em>(bowling)</em></td>"
>>> for item in soup.td.children:
...   phone = item # first item is the phone number
...   break
... 
>>> phone
u'   +421 48/471 78 14    '
>>> phone.strip()
u'+421 48/471 78 14'
>>> 

Answer 3

html="""
<td>
    +421 48/471 78 14



    <br />
    <em>(bowling)</em>
</td>
"""


from bs4 import BeautifulSoup

soup = BeautifulSoup(html)

print soup.find("td").contents[0].strip() 
+421 48/471 78 14

print soup.find("td").next_element.strip()
+421 48/471 78 14

soup.find("td").contents[0].strip() 这段代码的意思是：在网页中找到第一个 td 标签，然后获取这个标签里面的内容，接着用 str.strip() 把所有的换行符 \n 去掉。

根据文档中的说明 next_element：

字符串或标签的 .next_element 属性指向紧接着被解析的内容