Python BeautifulSoup-如何提取此文本

当前Python脚本：

import win_unicode_console
win_unicode_console.enable()

import requests
from bs4 import BeautifulSoup

data = '''
<div class="info">
    <h1>Company Title</h1>
    <p class="type">Company type</p>
    <p class="address"><strong>ZIP, City</strong></p>
    <p class="address"><strong>Street 123</strong></p>
    <p style="margin-top:10px;"> Phone: <strong>(111) 123-456-78</strong><br />
        Fax: <strong>(222) 321-654-87</strong><br />
        Phone: <strong>(333) 87-654-321</strong><br />
        Fax: <strong>(444) 000-1111-2222</strong><br />
    </p>
    <p style="margin-top:10px;"> E-mail: <a href="mailto:mail@domain.com">mail@domain.com</a><br />
    E-mail: <a href="mailto:mail2@domain.com">mail2@domain.com</a><br />
    </p>
    <p> Web: <a href="http://www.domain.com" target="_blank">www.domain.com</a><br />
    </p>
    <p style="margin-top:10px;"> ID: <strong>123456789</strong><br />
        VAT: <strong>987654321</strong> </p>
    <p class="del" style="margin-top:10px;">Some info:</p>
    <ul>
        <li><a href="#category">&raquo; Category</a></li>
    </ul>
</div>
'''

html = BeautifulSoup(data, "html.parser")

p = html.find_all('p', attrs={'class': None})

for pp in p:
    print(pp.contents)

[' Phone: ', <strong>123-456-78</strong>, <br/>, '\n\t\tFax: ', <strong>321-654-87</strong>, <br/>, '\n\t\tPhone: ', <strong>87-654-321</strong>, <br/>, '\n\t\tFax: ', <strong>000-1111-2222</strong>, <br/>, '\n']
[' E-mail: ', <a href="mailto:mail@domain.com">mail@domain.com</a>, <br/>, '\n\tE-mail: ', <a href="mailto:mail2@domain.com">mail2@domain.com</a>, <br/>, '\n']
[' Web: ', <a href="http://www.domain.com" target="_blank">www.domain.com</a>, <br/>, '\n']
[' ID: ', <strong>123456789</strong>, <br/>, '\n\t\tVAT: ', <strong>987654321</strong>, ' ']

---

拆分后，可以使用defaultdict对数据进行分组：

html = BeautifulSoup(data, "html.parser")

p = html.find_all('p', attrs={'class': None})
from collections import defaultdict

d = defaultdict(list)
for pp in p:
    spl = iter(pp.text.split(None,1))
    for ele in spl:
        d[ele.rstrip(":")].append(next(spl).rstrip())

print(d)
defaultdict(<class 'list'>, {'Phone': ['123-456-78', '87-654-321'],
'Fax': ['321-654-87', '000-1111-2222'], 'E-mail': ['mail@domain.com',
'mail2@domain.com'], 'VAT': ['987654321'], 'Web': ['www.domain.com'], 
'ID': ['123456789']})

所以我们使用每两个元素作为键/值对。追加重复的键

要编辑以捕获传真和电话号码中的空格，只需使用拆分行将其拆分为几行，并在空白处拆分一次： 从集合导入defaultdict

d = defaultdict(list)
for pp in p:
    spl = pp.text.splitlines()
    for ele in spl:
        k, v = ele.strip().split(None, 1)
        d[k.rstrip(":")].append(v.rstrip())

输出：

defaultdict(<class 'list'>, {'Fax': ['(222) 321-654-87', '(444) 000-1111-2222'],
 'Web': ['www.domain.com'], 'ID': ['123456789'], 'E-mail': ['mail@domain.com', 'mail2@domain.com'],
 'VAT': ['987654321'], 'Phone': ['(111) 123-456-78', '(333) 87-654-321']})

defaultdict（，{'Fax'：['（222）321-654-87'，'（444）000-1111-2222']，
“Web”：['www.domain.com']，'ID'：['123456789']，'E-mail'：['mail@domain.com', 'mail2@domain.com'],
‘增值税’：[‘987654321’，‘电话’：[‘（111）123-456-78’，‘（333）87-654-321’]）

很抱歉，当电话号码类似于

（111）222-333-4444时，我收到错误消息，谢谢您的更新！我现在有另一个问题。电话包含：
'Phone'：['（111）123-456-78\n\t\tFax:（222）321-654-87\n\t\t电话：（333）87-654-321\n\t\tFax:（444）000-1111-222']
我的意思是它没有拆分到
电话和
传真，我使用：
为p中的pp:spl中的pp=iter（pp.text.splitlines（））为spl中的ele:for（
为ele.splitlines（））：spl3=iter（spl2.split（None，1））在spl3:d[ele2.rstrip（“：”）.append（next（spl3.rstrip（））
它并不优雅，但可以工作：）@rhymguy，编辑应该用更少的代码完成所需的工作；）
d = defaultdict(list)
for pp in p:
    spl = pp.text.splitlines()
    for ele in spl:
        k, v = ele.strip().split(None, 1)
        d[k.rstrip(":")].append(v.rstrip())

defaultdict(<class 'list'>, {'Fax': ['(222) 321-654-87', '(444) 000-1111-2222'],
 'Web': ['www.domain.com'], 'ID': ['123456789'], 'E-mail': ['mail@domain.com', 'mail2@domain.com'],
 'VAT': ['987654321'], 'Phone': ['(111) 123-456-78', '(333) 87-654-321']})