美味汤: 如何从包含一些嵌套的<ul>的列表中提取所有的<li>？

Question

我的源代码如下：

<h3>Header3 (Start here)</h3>
<ul>
    <li>List items</li>
    <li>Etc...</li>
</ul>
<h3>Header 3</h3>
<ul>
    <li>List items</li>
    <ul>
        <li>Nested list items</li>
        <li>Nested list items</li></ul>
    <li>List items</li>
</ul>
<h2>Header 2 (end here)</h2>

我想要所有的“li”标签跟随第一个“h3”标签，并停止在下一个“h2”标签，包括所有嵌套的li标签。

firstH3 = soup.find('h3')

正确地找到了我想开始的地方。

firstH3 = soup.find('h3') # Start here
uls = []
for nextSibling in firstH3.findNextSiblings():
    if nextSibling.name == 'h2':
        break
    if nextSibling.name == 'ul':
        uls.append(nextSibling)

给我一个ULs列表，每个都有我需要的LI内容。

“uls”列表摘录：

<ul>
...
    <li><i><a href="/wiki/Agent_Cody_Banks" title="Agent Cody Banks">Agent Cody Banks</a></i> (2003)</li>
    <li><i><a href="/wiki/Agent_Cody_Banks_2:_Destination_London" title="Agent Cody Banks 2: Destination London">Agent Cody Banks 2: Destination London</a></i> (2004)</li>
    <li>Air Bud series:
        <ul>
            <li><i><a href="/wiki/Air_Bud:_World_Pup" title="Air Bud: World Pup">Air Bud: World Pup</a></i> (2000)</li>
            <li><i><a href="/wiki/Air_Bud:_Seventh_Inning_Fetch" title="Air Bud: Seventh Inning Fetch">Air Bud: Seventh Inning Fetch</a></i> (2002)</li>
            <li><i><a href="/wiki/Air_Bud:_Spikes_Back" title="Air Bud: Spikes Back">Air Bud: Spikes Back</a></i> (2003)</li>
            <li><i><a href="/wiki/Air_Buddies" title="Air Buddies">Air Buddies</a></i> (2006)</li>
        </ul>
    </li>
    <li><i><a href="/wiki/Akeelah_and_the_Bee" title="Akeelah and the Bee">Akeelah and the Bee</a></i> (2006)</li>
...
</ul>

但我不知道从这里走到哪里。我是一个新手程序员，试图通过构建一个脚本来跳转到Python中，该脚本可以擦掉http://en.wikipedia.org/wiki/2000s_in_film，并提取一个“电影标题（年份）”列表。

---

更新：

最终代码：

lis = []
    for ul in uls:
        for li in ul.findAll('li'):
            if li.find('ul'):
                break
            lis.append(li)

    for li in lis:
        print li.text.encode("utf-8")

If-->；中断抛出包含UL的LI，因为嵌套的LI现在是重复的。

打印输出现在是：

• 102 Dalmatians(2000)
• 10th & Wolf(2006)
• 11:14(2006)
• 12:08 East of Bucharest(2006)
• 13 Going on 30(2004)
• 1408(2007)
• ...

谢谢

Answer 1

清单理解也可以奏效。

lis = [li for ul in uls for li in ul.findAll('li')]

Answer 2

.findAll()适用于嵌套的li元素：

for ul in uls:
    for li in ul.findAll('li'):
        print(li)

输出：

<li>List items</li>
<li>Etc...</li>
<li>List items</li>
<li>Nested list items</li>
<li>Nested list items</li>
<li>List items</li>