用BeautifulSoup打破标签边界上的单词

2024-09-28 20:19:38 发布

您现在位置：Python中文网/ 问答频道 /正文
9909 3

我正试图用BeautifulSoup将html解析为文本，但我遇到了一个问题：有些单词被不带空格的标记分割：

<span>word1</span><span>word2</space>

所以当我提取文本时，我有：

word1word2

有些句子还与一个句子相连：

INTODUCTION There are many...

有没有一个简单的方法来强制BeautifulSoup标签上的单词分离？也可能是我可以修复一些标签上的句子分离？你知道吗

我有几个复杂的html文件。我把它们处理成文本：

plain_texts = [BeautifulSoup(html, "html.parser").get_text() for html in htmls]

Tags： 标记文本htmlspace标签单词句子span
2条回答
网友
1楼 · 编辑于 2024-09-28 20:19:38

你可以用replace_with()方法（docs here）修补你的汤。但这取决于HTML的结构：

from bs4 import BeautifulSoup

data = '''
<html><body><span>word1</span><span>word2</space>
'''

soup = BeautifulSoup(data, 'lxml')
for span in soup.select('span'):
    span.replace_with(span.text + ' ')

print(soup.text.strip())

这张照片：

word1 word2
网友
2楼 · 编辑于 2024-09-28 20:19:38

您可以使用^{}：

from bs4 import BeautifulSoup

html_doc = """
<!DOCTYPE html><html lang="en"><head><title>words</title></head><body><span>word1</span><span>word2</span></body></html>
"""

soup = BeautifulSoup(html_doc, 'lxml')
for span in soup.find_all('span'):
    print(span.text)

分别打印<span>标记之间的文本：

word1
word2

相关问题 更多 >

    编程相关推荐