使用BeautifulSoup解析由<br>标签分隔的行？

Question

我有一个页面，看起来像这样：

Company A<br />
123 Main St.<br />
Suite 101<br />
Someplace, NY 1234<br />
<br />
<br />
<br />
Company B<br />
456 Main St.<br />
Someplace, NY 1234<br />
<br />
<br />
<br />

有时候，分隔这些条目的“br”标签会有两个，而不是三个。我想用BeautifulSoup来解析这个文档，提取出我需要的内容，但我不知道该怎么做，因为我需要的文本并不在段落（或类似的）标签里，我不能简单地一个个遍历。

Answer 1

也许你可以使用这个函数：

def partition_by(pred, iterable):
    current = None
    current_flag = None
    chunk = []
    for item in iterable:
        if current is None:
            current = item
            current_flag = pred(current)
            chunk = [current]
        elif pred(item) == current_flag:
            chunk.append(item)
        else:
            yield chunk
            current = item
            current_flag = not current_flag
            chunk = [current]
    if len(chunk) > 0:
        yield chunk

再加一个检查，看看是不是一个 <br /> 标签或者换行符：

def is_br(bs):
    try:
        return bs.name == u'br'
    except AttributeError:
        return False

def is_br_or_nl(bs):
    return is_br(bs) or u'\n' == bs

（或者其他更合适的东西……我对BeautifulSoup不是很在行。）

然后使用 partition_by(is_br_or_nl, cs) 来处理（这里的 cs 设置为 BeautifulSoup.BeautifulSoup(your_example_html).childGenerator()）

[[u'Company A'],
 [<br />],
 [u'\n123 Main St.'],
 [<br />],
 [u'\nSuite 101'],
 [<br />],
 [u'\nSomeplace, NY 1234'],
 [<br />, u'\n', <br />, u'\n', <br />, u'\n', <br />],
 [u'\nCompany B'],
 [<br />],
 [u'\n456 Main St.'],
 [<br />],
 [u'\nSomeplace, NY 1234'],
 [<br />, u'\n', <br />, u'\n', <br />, u'\n', <br />]]

这样处理起来应该挺简单的。

如果想要更通用一点，你可能需要写一个条件函数，来检查它的参数是不是你关心的东西……然后你可以用它和 partition_by 一起使用，把其他的东西归为一类。注意，你关心的东西也会被归为一类——你基本上需要处理生成器产生的每个第二个列表中的每一项，从第一个开始，这个第一个列表里包含你关心的东西。

Answer 2

你应该看看标签里面的 .strings 属性，然后用 "\n".join() 来处理它。

Answer 3

一旦你有了这个HTML片段，只需要用一个正则表达式把 <br /> 后面可能跟着的换行符替换成一个单独的换行符，然后再根据多个换行符进行分割。这样就会得到多个独立的段落，你可以手动处理这些段落。