python - 无法按位置或属性匹配时在 BeautifulSoup 中提取标签值

Question

我正在使用 BS 抓取网页，但遇到了一个小问题。这是该页面的 HTML 片段。

<span style="font-family: arial;"><span style="font-weight: bold;">Artist:</span> M.I.A.<br>
</span>

一旦我得到汤，我如何才能找到这个标签并获得艺术家姓名，即 M.I.A. 我无法将标签与 style 属性相匹配，因为它在页面中的十几个地方使用。我什至不知道 span 标签的确切位置，因为它会在页面之间改变位置。因此，我无法按位置匹配。艺术家姓名发生变化，但标题跨度结构始终相同。

我只想提取艺术家姓名(M.I.A. 位)。

Answer 1

BeautifulSoup 有点死了，因为 SGMLParser 已被弃用。我建议您使用更好的 lxml 库——它甚至有 xpath支持!!

from lxml import html

text = '''
<span style="font-family: arial;">
    <span style="font-weight: bold;">Artist:</span>M.I.A.<br>
</span>
'''

doc = html.fromstring(text)
print ''.join(doc.xpath("//span/span[text()='Artist:']/../text()"))

这个 xpath 表达式意味着 “找到另一个 span 标签内的 span 标签并且包含文本 'Artist:' , 并获取包含标签的父级的所有文本"。它正确地打印了 M.I.A. 正如人们所期望的那样。