用BeautifulSoup和Python提取span标签之间的数据

Question

我想从标签之间提取数据。这里有一段示例的HTML代码：

<p>
    <span class="html-italic">3-Acetyl-</span>
    <span class="html-italic">(4-acetyl-5-(β</span>
    "-"
    <span class="html-italic">naphtyl)-4,5-dihydro-1,3,4-oxodiazol-2-yl)methoxy)-2H-chromen-2-one</span>
     "("
    <b>5b</b>
</p>

我需要获取一个完整的名字：

3-Acetyl-4-acetyl-5-(β-naphtyl)-4,5-dihydro-1,3,4-oxodiazol-2-yl)methoxy)-2H-chromen-2-one（不包括5b）。我不知道怎么提取第二个和第三个标签之间的'-'。而且，标签的总数可能会有所不同，'-'也可能出现在任何标签之间。我写的代码只给我返回了：3-Acetyl-4-acetyl-5-(β。以下是我代码的一部分：

p = soup.find("p")
name = ""
for child in p.children:
    if child.name == "span":
        name += child.text
print name

任何帮助都非常感谢！

Answer 1

如果你喜欢一行代码的写法，可以试试这样：

(your_item.find("p", {"attr": "value"})).find("span").get_text()

Answer 2

试试这样做：

name=""
for x in soup.find('p'):
    try:
        if x.name == 'span':
            name += x.get_text()
    except:pass
print name

输出结果：

3-Acetyl-(4-acetyl-5-(βnaphtyl)-4,5-dihydro-1,3,4-oxodiazol-2-yl)methoxy)-2H-chromen-2-one

Answer 3

你可以这样做：

p = soup.find("p")
name = ""
for child in p.children:
    if child.name == "span":
        name += child.text
    elif child.name is 'None':
        name += child.string.rstrip("\"\n ").lstrip("\"\n ")
print name

Answer 4

你可以使用BeautifulSoup的.findAll(text=True)方法来获取元素内的所有文本，包括那些在span标签外的文本。这会返回一个文本部分的列表，你需要把这些文本中的空格和引号去掉。我不太清楚你是用什么规则来排除最后的"("5b，不过可能只需要简单地切片这个列表就可以了：

parts = soup.find("p").findAll(text=True)
name = ''.join(p.strip(string.whitespace + '"') for p in parts[:-3])

结果：

u'3-Acetyl-(4-acetyl-5-(β-naphtyl)-4,5-dihydro-1,3,4-oxodiazol-2-yl)methoxy)-2H-chromen-2-one'

Answer 5

你可以使用 CSS选择器。

>>> ''.join(i.text for i in soup.select('p > span'))
'3-Acetyl-(4-acetyl-5-(βnaphtyl)-4,5-dihydro-1,3,4-oxodiazol-2-yl)methoxy)-2H-chromen-2-one'