Python：使用BeautifulSoup从HTML中提取分离文本

我在一个页面上重复了以下HTML多次（请不要判断）：

打印出来时，它打印一行连接所有值，例如

{TITLE}{SOME TEXT 1}{SOME TEXT 2}{SOME TEXT 3}

---

这有什么关系吗？我遗漏了什么？

您可以先美化div内容，然后根据需要处理每一行。如果类名为

text

的div具有相同的结构，这将起作用

代码（Python 2）：

from BeautifulSoup import BeautifulSoup as bs

html = '''
<div class="container">
    <div class="image">
      <a href="#" title="#" class="#">
        <img src="img.jpg" alt="#" class="#">
      </a>
    </div>
    <div class="text">
        <a href="#">
          <h4 class="h4-class">{TITLE}</h4>
        {SOME TEXT 1}<br />
        <h5><img src="img.jpg" alt="#" /> {SOME TEXT 2}</h5>
        {SOME TEXT 3}      </a>
    </div>
  </div>
'''
soup = bs(html)
divs = soup.findAll("div",{"class":"text"})
for div in divs:
    pretty_div = div.prettify()
    content_list = pretty_div.split("\n")
    content_list = [s.strip() for s in content_list]
    print content_list[3]
    print content_list[5]
    print content_list[9]
    print content_list[11]

{TITLE}
{SOME TEXT 1}
{SOME TEXT 2}
{SOME TEXT 3}

---

我没有在给定的HTML代码中看到任何

list\u txt

。在此处添加时输入错误。问题仍然存在。假设我想提取HREF，在这种情况下我将如何处理？是否只提取

text

类的div内链接的

HREF

属性值？

from BeautifulSoup import BeautifulSoup as bs

html = '''
<div class="container">
    <div class="image">
      <a href="#" title="#" class="#">
        <img src="img.jpg" alt="#" class="#">
      </a>
    </div>
    <div class="text">
        <a href="#">
          <h4 class="h4-class">{TITLE}</h4>
        {SOME TEXT 1}<br />
        <h5><img src="img.jpg" alt="#" /> {SOME TEXT 2}</h5>
        {SOME TEXT 3}      </a>
    </div>
  </div>
'''
soup = bs(html)
divs = soup.findAll("div",{"class":"text"})
for div in divs:
    pretty_div = div.prettify()
    content_list = pretty_div.split("\n")
    content_list = [s.strip() for s in content_list]
    print content_list[3]
    print content_list[5]
    print content_list[9]
    print content_list[11]

{TITLE}
{SOME TEXT 1}
{SOME TEXT 2}
{SOME TEXT 3}