python - 我有 4 个嵌套的 div 标签，当我使用 find_all 打印文本时，它打印文本 4 次

Question

我正在从一个包含大量 div 标签的 html 文件中提取文本。但是，在某些地方有 4 个嵌套的 div 标签，当我打印文本时，它会打印 4 次。

<div>
    <div id="PGBRK" style="TEXT-INDENT: 0pt; WIDTH: 100%; MARGIN-LEFT: 0pt; MARGIN-RIGHT: 0pt">
        <div id="PN" style="PAGE-BREAK-AFTER: always; WIDTH: 100%">
            <div style="TEXT-ALIGN: center; WIDTH: 100%"><font style="DISPLAY: inline; FONT-FAMILY: Times New Roman; FONT-SIZE: 10pt">27</font></div> 
        </div>
    </div>
</div>

例如，如果我这样做:

for item in page_soup.find_all('div'):
    if "27" in item.text:
            print(item)

它打印了四次数字 27，因此弄乱了整个文本。 如何让我的代码只打印一次嵌套文本？

编辑 1: 这适用于这部分代码。但正如我所说，这只在某些地方是正确的。例如，当我这样做时:

for item in page_soup.find_all('div', recursive = False):
    print(item)

它不打印任何东西。作为引用，this是我要抓取的文档。

编辑 2: 从给定的 html 中，我试图提取“ITEM 1A. RISK FACTORS”部分。

should_print = False

for item in page_soup.find_all('div'):
    if "ITEM 1A." in item.text:
        should_print = True
    elif "ITEM 1B." in item.text:
        break
    if should_print:
        print(item)

所以我从第 1A 项开始打印所有内容。直到找到 ITEM 1B。 这里有些地方有嵌套的 div 标签，这段代码会打印多次。

如果我这样做，recursive = False，它不会打印任何东西。

Answer 1

这里有一个选项

import bs4, re

html = '''<div>
<div id="PGBRK" style="TEXT-INDENT: 0pt; WIDTH: 100%; MARGIN-LEFT: 0pt; MARGIN-RIGHT: 0pt">

<div id="PN" style="PAGE-BREAK-AFTER: always; WIDTH: 100%">

<div style="TEXT-ALIGN: center; WIDTH: 100%"><font style="DISPLAY: inline; FONT-FAMILY: Times New Roman; FONT-SIZE: 10pt">27</font></div>

</div>
</div>
</div>
</div>'''

soup = bs4.BeautifulSoup(html,'html.parser')
elements = soup.find_all(text=re.compile('27'))
print(elements)

输出

[u'27']