Python 使用BeautifulSoup拾取以“分隔”分隔的文本：&引用；

网页源代码包含如下部分：

<TR>
<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>
<TD width="40%">Country Code. <I>(CC.)</I> : <B>3532 </B></TD></TR>
<TR>
<TD>Register <I>(Reg.)</I> : <B>FD522</B></TD>
<TD>Credit<I>(CD.) </I>: <B>YES</B></TD></TR>
<TR>
<TD>Type <I>(TP.)</I> : <B>PRIVATE</B></TD></TR>

但它的效果并不好。它在一行中返回“Company No.（CO.）：056”，但我想将它们分开，比如“Company No.”、“CO.”和“056”

我还尝试：

all_texts = soup.find_all(":")

或：

等等，它们不起作用

结果 下面的帮助解决了两个问题。放在那里供参考：

这样可以获得粗体字母的内容，但在某些句子中，最后一个字母缺失：

for bb in aa:
    cc = bb.get_text()
    dd = cc[cc.find("<b>")+1 : cc.find("</b>")]
    print dd

---

使用findAll获取完整HTML文档的正确部分，然后使用：

text = soup.get_text()
print text

然后使用“.split（）”将其拆分为数组

---

您不必强迫自己使用beautifulsoup函数来分隔它们 因为里面的每个数据都有不同的令牌密钥要分割 即：

公司编号（公司）：056

公司编号。以“.”分隔

（公司）其名称以“：”分隔

056内部

我建议您使用子字符串方法从每个td获取数据：

#grab all td
all_texts = soup.findAll("td") 
for txt in all_texts
        #convert td into string
        td = str(td)
        txt1 = td[td.find(">")+1 : td.find("<i>")] #get first data from <td>...</i>
        txt2 = td[td.find("<i>")+3 : td.find("</i>")] #get 2nd data from <i>...</i>
        txt3 = td[td.find("<b>")+3 : td.find("</b>")] #get 3rd data from <b>...</b>
        print txt1
        print txt2
        print txt3

#抓取所有td
所有文本=soup.findAll（“td”）
用于所有_文本中的txt
#将td转换为字符串
td=str（td）
txt1=td[td.find（“>”）+1:td.find（“”）#从。。。
txt2=td[td.find（“”+3:td.find（“”）]#从。。。
txt3=td[td.find（“”+3:td.find（“”）]#从。。。
打印txt1
打印txt2
打印txt3

这只是简单的字符串操作，并非真正的BS4问题。可以做如下的事情。请注意，下面的方法可能不是最好的方法，但我这样做是为了避免冗长

from bs4 import BeautifulSoup as bsoup

ofile = open("test.html")
soup = bsoup(ofile)
soup.prettify()

tds = soup.find_all("td")
templist = [td.get_text() for td in tds]

newlist = []
for temp in templist:
    whole = temp.split(":") # Separate by ":" first.
    half = whole[0].split("(") # Split the first half using open parens.
    first = half[0].strip() # First of three elements.
    second = half[1].replace(")","").strip() # Second of three elements.
    third = whole[1].strip() # Use the second element for the first split to get third of three elements.
    newlist.append([first, second, third])

for lst in newlist:
    print lst # Just print it out.

结果:

[u'Company No.', u'CO.', u'056']
[u'Country Code.', u'CC.', u'3532']
[u'Register', u'Reg.', u'FD522']
[u'Credit', u'CD.', u'YES']
[u'Type', u'TP.', u'PRIVATE']
[Finished in 1.1s]

---

让我们知道这是否有帮助。

了解您的尝试是如何失败的，以及返回的结果将非常有用。：）谢谢塔瓦林。我已经在问题中提供了。谢谢philshem。如何获取“：”之前和之后的文本？在您的情况下，print line.split（）[0]提供“：”之前的内容。有更强大的方法可以做到这一点，但请让我知道这是否适用于您的应用程序。感谢Nanashi的回复。当我运行它时，错误消息是“IndexError:list index out-range”，问题是“half[1]”。当它们被更改为“半[0]”时，它会起作用。无论如何，我需要消化它们。再次感谢。谢谢zlogic，您的演示方式提供了一个很好的思路。

for line in soup.get_text().split('\n'):
    if line != ''
        print line.split()

<TD width="40%">Company No. <I>(CO.)</I> : <B>056</B></TD>

#grab all td
all_texts = soup.findAll("td") 
for txt in all_texts
        #convert td into string
        td = str(td)
        txt1 = td[td.find(">")+1 : td.find("<i>")] #get first data from <td>...</i>
        txt2 = td[td.find("<i>")+3 : td.find("</i>")] #get 2nd data from <i>...</i>
        txt3 = td[td.find("<b>")+3 : td.find("</b>")] #get 3rd data from <b>...</b>
        print txt1
        print txt2
        print txt3

from bs4 import BeautifulSoup as bsoup

ofile = open("test.html")
soup = bsoup(ofile)
soup.prettify()

tds = soup.find_all("td")
templist = [td.get_text() for td in tds]

newlist = []
for temp in templist:
    whole = temp.split(":") # Separate by ":" first.
    half = whole[0].split("(") # Split the first half using open parens.
    first = half[0].strip() # First of three elements.
    second = half[1].replace(")","").strip() # Second of three elements.
    third = whole[1].strip() # Use the second element for the first split to get third of three elements.
    newlist.append([first, second, third])

for lst in newlist:
    print lst # Just print it out.

[u'Company No.', u'CO.', u'056']
[u'Country Code.', u'CC.', u'3532']
[u'Register', u'Reg.', u'FD522']
[u'Credit', u'CD.', u'YES']
[u'Type', u'TP.', u'PRIVATE']
[Finished in 1.1s]