html - 当 HTML 文本跨多行时，如何在 beautifulsoup4 中返回格式良好的文本

Question

我正在尝试使用 python 的 beautifulsoup4 包提取地址。文本所在的 HTML block 如下所示:

<address>
        183 Main St<br>East Copper<br>Massachusetts<br>U S A<br>
        MA 01516-113
    </address>

我可以使用 find 和 text.strip() 方法获取地址，并将\n 和\r 替换为空，但我会回来:

'183 Main StEast CopperMassachusettsU S A        MA 01516-113'

这对于我的目的来说可能没问题，但好奇心让我想了解如何清理它。

我做了大量的修改和研究，以找出如何让它返回格式良好的地址。我的意思是，这一切都在一行上(就像目前的情况一样)，没有额外的空格，并且空格应该位于“Copper”和“Massachusetts”之类的内容之间。

我是否错误地认为正则表达式/代码可以提供帮助？我应该迭代 <br>标签并单独抓取每一行，然后将字符串与 + 组合起来和空格？

非常感谢任何帮助。

Answer 1

在这种情况下，理想的方法如下所示:

from bs4 import BeautifulSoup

content="""
<address>
        183 Main St<br>East Copper<br>Massachusetts<br>U S A<br>
        MA 01516-113
    </address>
"""
soup = BeautifulSoup(content,"lxml")
item = soup.find("address").get_text(" ",strip=True)
print(item)

输出:

183 Main St East Copper Massachusetts U S A MA 01516-113