Python 带br标记的Beautifulsoup同级结构

我正试图使用BeautifulSoup Python库解析HTML文档，但结构被

标记扭曲。让我给你举个例子

输入HTML：

<div>
  some text <br>
  <span> some more text </span> <br>
  <span> and more text </span>
</div>

一些文本

更多文本

还有更多的文字

美化组解释的HTML：

<div>
  some text
  <br>
    <span> some more text </span>
    <br>
      <span> and more text </span>
    </br>
  </br>
</div>

一些文本


更多的文字


还有更多的文字

在源代码中，可以将跨度视为兄弟。解析（使用默认解析器）后，跨度突然不再是同级，因为br标记成为结构的一部分

---

我能想到的解决方法是在将html注入Beautifulsoup之前，将

标记全部剥离，但这似乎不是很优雅，因为它需要我更改输入。解决这个问题的更好方法是什么？

你最好的办法是

提取（）

换行符。这比你想象的要容易：）

>>从bs4导入BeautifulSoup作为BS
>>>html=”“”
…一些文本

…更多文本

…还有更多的文字
... """
>>>soup=BS（html）
>>>用于汤中的换行符。查找所有（'br'）：
...     linebreak.extract（）
... 




>>>打印汤。美化
一些文本
更多的文字
还有更多的文字

您也可以这样做：

str(soup).replace("</br>", "")

str（汤）。替换（“
”，“”）

这是一个非常老的问题，但我刚刚遇到了一个类似的问题，因为我的文档包含closong

标记。正因为如此，beatifulsoup（我想是bs试图处理一个结束标记。）

soup.find_all（'br'）

实际上没有找到任何东西，因为没有打开的

br

标记，所以我无法使用

extract（）

方法

在猛击我的头一个小时后，我发现使用

lxml

解析器而不是默认的html解决了这个问题

---

soup=BeautifulSoup（page，'lxml'）

如果有两个span标记，您似乎有

甚至修复了span，我已经使用bs4重新创建了错误。然而，bs3没有任何问题。跨度是一个输入错误，所以，不是在我的实际代码中。dilbert是正确的。尽管如此，bs4还是有一个问题。很高兴看到它能工作，但我在文档中找不到提取方法。它有什么作用？@Joost谢谢你的链接！看到它这样应用有点奇怪，因为它并没有真正删除
和
标记（后者由BS创建）之间的内容。不完全是这个示例在文档中的工作方式，也删除了标记的内容。Bug还是功能？@Joost我可能错了，但是

和

实际上是一样的。它不是您打开/关闭的标记之一（我不是HTML专家）。我认为唯一的区别是后者已被弃用，但请不要引用我的话。请注意，它还将添加冗余标记，更糟糕的是，如果在某些HTML标记中有未关闭的片段文本，它将由span元素包装。很清楚，您对lxml解析器的评论是默认的还是，注意每个解析器如何添加不成功的元素和/或自动更改无效的HTML（例如，
自动更改为
，等等）。哦，好的，谢谢你的链接。看起来这是大多数人都做的，至少lxml没有添加标记。我需要将它的输出分配给某个变量吗？如果你想在某个地方使用它，当然
str(soup).replace("</br>", "")