Python 使用Beauty Soup检索关闭和打开html标记之间的所有内容

我正在使用Python和Beautiful Soup解析内容，然后将其写入CSV文件，在获取某一组数据时遇到了一个问题。数据通过我精心编制的TidyHTML实现运行，然后剥离出其他不需要的数据

问题是我需要检索一组

标记之间的所有数据

样本数据：

<h3><a href="Vol-1-pages-001.pdf">Pages 1-18</a></h3>
<ul><li>September 13 1880. First regular meeting of the faculty;
 September 14 1880. Discussion of curricular matters. Students are
 debarred from taking algebra until they have completed both mental
 and fractional arithmetic; October 4 1880.</li><li>All members present.</li></ul>
 <ul><li>Moved the faculty henceforth hold regular weekkly meetings in the
 President's room of the University building; 11 October 1880. All
 members present; 18 October 1880. Regular meeting 2. Moved that the
 President wait on the property holders on 12th street and request
 them to abate the nuisance on their property; 25 October 1880.
 Moved that the senior and junior classes for rhetoricals be...</li></ul>
 <h3><a href="Vol-1-pages-019.pdf">Pages 19-33</a></h3>`

1880年9月13日。教员第一次例会；
1880年9月14日。讨论课程内容。学生是
在他们完成这两项工作之前，禁止他们学习代数
分数算术；1880年10月4日。
所有成员出席。
感动了全体教员，从此每周定期在学校举行会议
大学大楼的校长室；1880年10月11日。全部的
出席会议的成员；1880年10月18日。常会2。我提议
总统在第12街等候财产持有人并请求
让他们减少对他们财产的滋扰；1880年10月25日。
提议将修辞学的高年级和低年级课程改为……
`

我需要检索第一个结束

标记和下一个开始

标记之间的所有内容。这应该不难，但我的厚脑袋没有进行必要的连接。我可以抓取所有的

标记，但这不起作用，因为

标记和

标记之间没有一对一的关系

我希望实现的产出是：

第1-18页| Vol-1-Pages-001.pdf |和标签之间的内容

前两部分不是问题，但一组标签之间的内容对我来说很困难

我目前的代码如下：

import glob, re, os, csv
from BeautifulSoup import BeautifulSoup
from tidylib import tidy_document
from collections import deque

html_path = 'Z:\\Applications\\MAMP\\htdocs\\uoassembly\\AssemblyRecordsVol1'
csv_path = 'Z:\\Applications\\MAMP\\htdocs\\uoassembly\\AssemblyRecordsVol1\\archiveVol1.csv'

html_cleanup = {'\r\r\n':'', '\n\n':'', '\n':'', '\r':'', '\r\r': '', '<img src="UOSymbol1.jpg"    alt="" />':''}

for infile in glob.glob( os.path.join(html_path, '*.html') ):
    print "current file is: " + infile

    html = open(infile).read()

    for i, j in html_cleanup.iteritems():
            html = html.replace(i, j)

    #parse cleaned up html with Beautiful Soup
    soup = BeautifulSoup(html)

    #print soup
    html_to_csv = csv.writer(open(csv_path, 'a'), delimiter='|',
                      quoting=csv.QUOTE_NONE, escapechar=' ')  
    #retrieve the string that has the page range and file name
    volume = deque()
    fileName = deque()
    summary = deque()
    i = 0
    for title in soup.findAll('a'):
            if title['href'].startswith('V'):
             #print title.string
             volume.append(title.string)
             i+=1
             #print soup('a')[i]['href']
             fileName.append(soup('a')[i]['href'])
             #print html_to_csv
             #html_to_csv.writerow([volume, fileName])

    #retrieve the summary of each archive and store
    #for body in soup.findAll('ul') or soup.findAll('ol'):
    #        summary.append(body)
    for body in soup.findAll('h3'):
            body.findNextSibling(text=True)
            summary.append(body)

    #print out each field into the csv file
    for c in range(i):
            pages = volume.popleft()
            path = fileName.popleft()
            notes = summary
            if not summary: 
                    notes = "help"
            if summary:
                    notes = summary.popleft()
            html_to_csv.writerow([pages, path, notes])

导入全局、re、os、csv
从BeautifulSoup导入BeautifulSoup
从tidylib导入tidy_文档
从集合导入deque
html_path='Z:\\Applications\\MAMP\\htdocs\\uoassembly\\AssemblyRecordsVol1'
csv_path='Z:\\Applications\\MAMP\\htdocs\\uoassembly\\AssemblyRecordsVol1\\archiveVol1.csv'
html_cleanup={'\r\r\n':''，\n\n':''，\n':''，\r':''，''，'\r\r':''，''，''，''，'}
对于glob.glob（os.path.join（html_path，'.*.html'））中的填充：
打印“当前文件为：”+infle
html=open（infle.read（））
对于html_cleanup.iteritems（）中的i，j：
html=html.replace（i，j）
#用漂亮的汤解析干净的html
soup=BeautifulSoup（html）
#印花汤
html_to_csv=csv.writer（打开（csv_路径，'a'），分隔符='|'，
quoting=csv.QUOTE“无，escapechar=”）
#检索具有页面范围和文件名的字符串
体积=deque（）
fileName=deque（）
summary=deque（）
i=0
对于soup.findAll（'a'）中的标题：
如果标题['href'].startswith（'V'）：
#打印title.string
volume.append（title.string）
i+=1
#打印汤（'a'）[i]['href']
文件名.append（soup（'a'）[i]['href']）
#将html\u打印到\u csv
#html_to_csv.writerow（[卷，文件名]）
#检索每个存档和存储的摘要
#用于汤中的身体。芬达尔（'ul'）或汤。芬达尔（'ol'）：
#摘要.追加（正文）
对于汤中的身体。芬达尔（'h3'）：
body.findNextSibling（text=True）
摘要.追加（正文）
#将每个字段打印到csv文件中
对于范围（i）中的c：
pages=volume.popleft（）
path=fileName.popleft（）
注释=摘要
如果不是摘要：
notes=“帮助”
如果是摘要：
notes=summary.popleft（）
html_to_csv.writerow（[页面、路径、注释]）

如果您试图在lxml中的

标记之间提取数据，它提供了使用
CSSSelector

import lxml.html
import urllib
data = urllib.urlopen('file:///C:/Users/ranveer/st.html').read() //contains your html snippet
doc = lxml.html.fromstring(data)
elements = doc.cssselect('ul li') // CSSpath[using firebug extension]
for element in elements:
      print element.text_content()    

执行上述代码后，您将获得
ul，li
标记之间的所有文本。它比漂亮的汤干净多了

如果您计划使用lxml，那么您可以用以下方式计算XPath表达式-

import lxml
from lxml import etree
content = etree.HTML(urllib.urlopen("file:///C:/Users/ranveer/st.html").read())
content_text = content.xpath("html/body/h3[1]/a/@href | //ul[1]/li/text() | //ul[2]/li/text() | //h3[2]/a/@href")
print content_text

您可以根据需要更改XPath。
提取
和
标记之间的内容：

from itertools import takewhile

h3s = soup('h3') # find all <h3> elements
for h3, h3next in zip(h3s, h3s[1:]):
  # get elements in between
  between_it = takewhile(lambda el: el is not h3next, h3.nextSiblingGenerator())
  # extract text
  print(''.join(getattr(el, 'text', el) for el in between_it))

从itertools导入takewhile
h3s=汤（'h3'）#查找所有元素
对于h3，H3zip中的下一个（h3s，h3s[1:]）：
#让元素介于两者之间
between_it=takewhile（lambda el:el不是h3next，h3.nextSiblingGenerator（））
#提取文本
打印（“”.join（getattr（el，'text'，el）表示中间的el）

代码假定所有
元素都是同级元素。如果不是这样，那么您可以使用
h3.nextGenerator（）
而不是
h3.nextSiblingGenerator（）
尝试使用此Xpath表达式
html/body/h3[1]/a/@href |//ul ul 1]/li/text（）|//ul ul 2]/li/text（）|//h3[2]/a/@href
不太好，它没有返回任何结果，但我不知道可以在findAll中使用Xpath。我来玩玩这个。谢谢。为什么不试试
lxml
，因为BSoup没有维护，速度慢，而且API很难看。@RanRag:维护人员说：tl；dr：改用4.0系列。这一页最初是在2009年3月写的。从那时起，3.2系列已经发布，取代了3.1系列，4.x系列的开发已经开始。出于历史目的，此页面将保持打开状态。我尝试了lxml库，尽管它在语法上可能简洁，但它似乎只是抓住了每个ul元素，而不是标题标签之间的ul元素。我将继续使用xpath输入。我提供的示例只是文档的一部分，如果不清楚，我很抱歉，但是当我在文档上迭代时，我不会被标题标签之间的多个uls绊倒。感谢RanRag的帮助。使用lxml的xpath确实检索特定的元素，但是，迭代似乎不能很好地工作。xpath不支持ac