使用BeautifulSoup分割HTML文档

Question

我们处理的是很长的合并后的HTML文档（为了转换成PDF）。在某些情况下，这个合并后的HTML文档需要按章节来分割（每个章节是以H1标签开头的独立HTML页面），或者按小章节来分割（每个小章节是以H1或H2标签开头的独立HTML页面）。到目前为止，我们使用BeautifulSoup来处理这些合并后的HTML文档，但我们找不到合适的方法来用BeautifulSoup提取子文档（比如从第一个H1到下一个H2）。

Answer 1

既然没有人给你推荐用解析器的解决方案，我建议你可以自己用正则表达式来处理。

丹麦提到的第二点也是这个意思，因为“grep”这个名字来源于“全局 - 正则表达式 - 打印”。不过，这个过程有点复杂，因为你需要先用美化功能进行初步处理。

相反，正则表达式是一个强大的工具，可以直接在文本上使用。

你能多说说你想要做什么吗？

Answer 2

我之前用过BeautifulSoup，虽然不太确定它是否能直接满足你的需求，但我有两个建议。

搜索

下面是一些关于它搜索功能的文档。你可以试着同时搜索H1和H2标签，看看这样能否帮助你提取子文档。

http://www.crummy.com/software/BeautifulSoup/documentation.html#Searching the Parse Tree

美化输出 + grep

BeautifulSoup有一个非常实用的美化功能，可以把HTML格式化得更好看。完成后，每个H1或H2标签都会单独占一行，这样你就可以轻松使用像grep这样的文本处理工具，快速找到包含H1和H2的行号，并简单地提取它们之间的文本。

http://www.crummy.com/software/BeautifulSoup/documentation.html#Printing a Document