Bsoup4提取未被父元素包装的子元素

Question

上下文

本文假设以下上下文：

• python 2.7版
• B组4
• 使用非包装（相邻）元素擦除内容

问题

目标

• Trevor希望提取页面内容，其中相关内容不是由统一元素包装的，而是与标题元素相邻的。你知道吗
• 在下面的示例中，Trevor需要一个包含四个元素的python数据结构，每个元素包含一个“header”名称-值对和一个“body”名称-值对。你知道吗

细节

最好的解释方法是举例说明：

<h2>Alpha blurb</h2>

* content here one
* content here two

<h2>Bravo blurb</h2>

* content here one
* content here two
* content here tree
* content here four
* content here fyve
* content here seeks

<h2>Charlie blurb</h2>

* content here four
* content here fyve
* content here seeks

<h2>Delta blurb</h2>

* blah

从Trevor到目前为止所看到的情况来看，Bsoup使用了一种刮取内容的策略，该策略包括查找容器元素并对其进行迭代和钻取。你知道吗

但是，在这个场景中，Trevor希望提取每个标题项及其关联的内容，即使关联的内容没有包装在包含元素中。你知道吗

一个内容节从何处开始，另一个内容节从何处结束的唯一指示是标题标记的位置。你知道吗

问题

在bsoup4的文档中可以在哪里搜索，或者Trevor可以寻找什么术语来封装这个原理并获得他正在尝试做的事情的结果？你知道吗

Answer 1

特雷弗需要侧着身子，在这里使用^{}。示例：

from bs4 import BeautifulSoup


page = """
<div>
<h2>Alpha blurb</h2>

* content here one
* content here two

<h2>Bravo blurb</h2>

* content here one
* content here two
* content here tree
* content here four
* content here fyve
* content here seeks

<h2>Charlie blurb</h2>

* content here four
* content here fyve
* content here seeks

<h2>Delta blurb</h2>

* blah
</div>
"""
soup = BeautifulSoup(page)

for h2 in soup.find_all("h2"):

    print h2.text

    # loop over siblings until h2 is met (or no more siblings left)
    for item in h2.next_siblings:
        if item.name == "h2":
            break

        print item.strip()

    print "  "

印刷品：

Alpha blurb
* content here one
* content here two
  
Bravo blurb
* content here one
* content here two
* content here tree
* content here four
* content here fyve
* content here seeks
  
Charlie blurb
* content here four
* content here fyve
* content here seeks
  
Delta blurb
* blah