在python中从html中抓取文本，然后将文本保存在变量中而不使用运算符\n

Question

我已使用以下代码将html文件中的文本保存在名为“data”的变量中：

from bs4 import BeautifulSoup, NavigableString, Tag

soup=BeautifulSoup(html, "lxml")
data = "ANALYSIS\n"
for header in soup.find_all('h2', text=re.compile('Analysis')):
    nextNode = header
    while True:
        nextNode = nextNode.nextSibling
        if nextNode is None:
            break
        if isinstance(nextNode, Tag):
            if nextNode.name == "h2":
                break
            data = data + "\n\n" + nextNode.text

我需要对我的数据变量做两件事： 1.删除行中不需要的\n，然后 2.在调用数据变量时，\n在段落之间保留格式，\n但不显示

我的目标是将数据变量最终保存到excel文件中

目前我的输出是：

“分析\n\n\nOVERVIEW\n\n财务改善大幅改善；TSR的表现优于\n EER。所有基于收益和盈利能力的衡量指标均显示出同比改善\n\n年度激励\n\n激励指标基本不变，但目标目标的披露\n进一步增强。与前一年一样，2018年度激励计划由五个公司类别组成：（i）健康、安全和环境，（ii）运营，（iii）财务，（iv）战略里程碑，以及（v）TSR。公司披露了每个类别中的某些指标，包括相关指标的目标和支出矩阵。为战略里程碑类别下的三个指标披露了不同的\n目标，与2017年相比，这是一个进步，当时指标中的目标通常是不确定的。除了相关指标外，\n没有披露阈值或最大目标

但我希望的输出是（存储在excel文件中）：

分析

概述

财务状况大幅度改善；TSR表现优于同行。所有基于收益和盈利能力的指标均显示出同比改善

年度奖励

虽然目标目标的披露进一步加强，但激励指标基本不变。与前一年一样，2018年度激励计划由五个公司类别组成：（i）健康、安全和环境，（ii）运营，（iii）财务，（iv）战略里程碑和（v）TSR。该公司披露了每个类别中的某些指标，包括相关指标的目标和支出矩阵。针对战略里程碑类别的三个基本指标披露了不同的目标，这是2017年的一个进步，当时该指标中的目标通常是定性的。除了相关指标外，没有披露阈值或最大目标

请告知我如何以这种格式保存数据？谢谢

Answer 1

您确实不需要\n\n参与您正在尝试的操作。应该做的是将数据附加到列表中

from bs4 import BeautifulSoup, NavigableString, Tag

soup=BeautifulSoup(html, "lxml")
data = ["ANALYSIS"]
for header in soup.find_all('h2', text=re.compile('Analysis')):
    nextNode = header
    while True:
        nextNode = nextNode.nextSibling
        if nextNode is None:
            break
        if isinstance(nextNode, Tag):
            if nextNode.name == "h2":
                break
            data.append(nextNode.text)

这允许您执行许多文件IO操作，包括：

with open("outfile.csv", "a") as output:
  for entry in data:
    outfile.write(data+"\n\n")
  outfile.close()

这里我使用的是CSV，因为CSV是一种与Excel兼容的无标记文件类型。Excel以与标准电子表格相同的格式呈现CSV文件

要查看数据，您需要使用以下命令迭代数组：

for entry in data:
  print(entry+"\n")

这将给你：

分析

概述

财务状况大幅度改善；TSR表现优于同行。所有基于收益和盈利能力的指标均显示出同比改善