Python 获取内容的全文，并将其与带有Beautiful Soup的标记相交

假设我有一些HTML，如下所示

<p>This is the beginning of the text. <em>Italicized middle</em> This is the end of the text.</p>

上面印着：

This is the beginning of the text. 
Italicized middle

---

它会将包含的标签后面的所有部分都切断。如何找到那个部分？

多亏了戈伦的帮助，我修改了我的程序，使其工作方式有所不同。它首先修改标记的内容，使它们在标记中用斜体表示（出于我的目的，我认为这是区分标记的好方法）

for tag in tag_list:
    if tag.name == "em":
        tag.string.replace_with("*" + tag.string + "*")
    if tag.name == "strong":
        tag.string.replace_with("**" + tag.string + "**")

然后，在一个单独的循环中，我得到了所有不是我在上面修改过的标记的文本（否则它将是递归的），然后将其.text添加到列表中

for tag in tag_list:
    if tag.name == "strong" || tag.name == "em":
        continue

    else:
        my_list.append(tag.text)

---

如果希望不分离地获取所有数据，可以使用以下方法

from simplified_scrapy.simplified_doc import SimplifiedDoc 
html = '''<p>This is the beginning of the text. <em>Italicized middle</em> This is the end of the text.</p>
'''
doc = SimplifiedDoc(html)
print (doc.p.text)

---

用一个简单的算法而不是用漂亮的汤来达到你想要的效果怎么样？@Mox这是什么意思？你是说用另一种方式解析它并剥离标记吗？BS适合解析HTML——这不是问题所在。为什么不直接用

elem.text

？这会给出整个文本内容，例如：

print（beautifulsou（'abc'，'lxml'）。find（'div'）。text）

prints

abc

。否则，我有点不确定您在这里实际查找/生成的内容。是否需要将前后元素和子元素作为不同的实体？我认为Navigablesting可能是您的朋友。@ggorlen好主意-我已经忘记了这一点。这对于提取文本非常有用，但我很抱歉试图在我的输出文件中保留斜体。使用.text方法不允许我判断文本最初是在标记中。你知道这是否可能吗？当然。但是你到底想做什么？只需将每个子项都放在

p

中，并将

与纯文本节点或其他内容区分开来？我很抱歉不确定这是否是执行您尝试执行的操作的最佳方式。如果您提供有关替换操作的更多详细信息，我可以提供一个答案。看起来您正在尝试转换为降价？@ggorlen是的，我想将其转换为降价。我使用了来自顶部答案的方法来修改标记中的文本。我的目标是获得所有来自标签的文本，但仍然可以知道子标签中的内容。

from simplified_scrapy.simplified_doc import SimplifiedDoc 
html = '''<p>This is the beginning of the text. <em>Italicized middle</em> This is the end of the text.</p>
'''
doc = SimplifiedDoc(html)
print (doc.p.text)

This is the beginning of the text. Italicized middle This is the end of the text.