python - 从 HTML 标签中包含的一系列字符串和不带标签的字符串中提取文本

Question

考虑以下 HTML:

<li>
  <a href="url">
    <b>This</b>
    " is "
    <b>a</b>
    " test "
    <b>string</b>
    "!"
  </a>
</li>

我想提取 <a> 之间的所有文本标签除了 "!" 。换句话说，第一个开头 <b> 之间包含的文本最后关闭</b> :This is a test string .

from bs4 import BeautifulSoup

html = '''
<li>
<a href="url">
<b>This</b>
" is "
<b>a</b>
" test "
<b>string</b>
"!"
</a>
</li>
'''
soup = BeautifulSoup(html)
anchor = soup.a

请注意 <b> 的数量标签和没有标签的字符串有所不同，所以 next或next_sibling行不通。

有更简单的方法吗？

编辑: 理想情况下，我想要一种即使在最后一个 </b> 之后有多个未包含在标签中的字符串也能工作的方法。 .

Answer 1

尝试下面的代码

result = ''.join([i.strip().replace('"', '') for i in anchor.strings if i.strip()][:-1])
print(result)

输出

'This is a test string'