Python 漂亮的汤-获取所有文本，但保留链接html？

我必须处理一个非常混乱的HTML的大档案，里面充满了无关的表格、跨距和内联样式，并将其标记下来

我正试图使用来完成这项任务，我的目标基本上是

get_text（）

函数的输出，除了用

href

完整地保留锚定标记

例如，我想转换为：

<td>
    <font><span>Hello</span><span>World</span></font><br>
    <span>Foo Bar <span>Baz</span></span><br>
    <span>Example Link: <a href="https://google.com" target="_blank" style="mso-line-height-rule: exactly;-ms-text-size-adjust: 100%;-webkit-text-size-adjust: 100%;color: #395c99;font-weight: normal;text-decoration: underline;">Google</a></span>
</td>

当解析器沿树向下移动时，返回多个片段/重复：

HelloWorldFoo Bar BazExample Link: Google
HelloWorldFoo Bar BazExample Link: Google
HelloWorldFoo Bar BazExample Link: Google
HelloWorld
Hello
World

Foo Bar Baz
Baz

Example Link: Google
<a href='https://google.com'>Google</a>

HelloWorldFoo工具栏示例链接：谷歌
HelloWorldFoo酒吧BazExample链接：谷歌
HelloWorldFoo酒吧BazExample链接：谷歌
你好世界
你好
世界
福吧巴兹酒店
巴兹
示例链接：谷歌
<>代码> > P>只考虑直接子集递归= false，则需要处理每个“TD”，并分别提取文本和锚点链接。p>
#!/usr/bin/env python
from bs4 import BeautifulSoup

example_html = '<td><font><span>Some Example Text</span></font><br><span>Another Example Text</span><br><span>Example Link: <a href="https://google.com" target="_blank" style="mso-line-height-rule: exactly;-ms-text-size-adjust: 100%;-webkit-text-size-adjust: 100%;color: #395c99;font-weight: normal;text-decoration: underline;">Google</a></span></td>'

soup = BeautifulSoup(example_html, 'lxml')
tags = soup.find_all(recursive=False)
for tag in tags:
    print(tag.text)
    print(tag.find('a'))

for tag in tags:
    spans = tag.find_all('span')
    for span in spans:
        print(span.text)
print(tag.find('a'))

解决此问题的一种可能方法是，在打印元素的文本时，为
a
元素引入一些特殊处理

您可以通过重写
\u all_strings（）
方法并返回
a
子元素的字符串表示形式，并跳过
a
元素中的可导航字符串来完成此操作。大致如下：

from bs4 import BeautifulSoup, NavigableString, CData, Tag


class MyBeautifulSoup(BeautifulSoup):
    def _all_strings(self, strip=False, types=(NavigableString, CData)):
        for descendant in self.descendants:
            # return "a" string representation if we encounter it
            if isinstance(descendant, Tag) and descendant.name == 'a':
                yield str(descendant)

            # skip an inner text node inside "a"
            if isinstance(descendant, NavigableString) and descendant.parent.name == 'a':
                continue

            # default behavior
            if (
                (types is None and not isinstance(descendant, NavigableString))
                or
                (types is not None and type(descendant) not in types)):
                continue

            if strip:
                descendant = descendant.strip()
                if len(descendant) == 0:
                    continue
            yield descendant

演示：

[1]中的
：data=“”
...: 
…：HelloWorld

…：Foo Bar Baz

…：示例链接：
...: 
...: """
在[2]中：soup=mybeautifulsou（数据，“lxml”）
在[3]中：打印（soup.get_text（））
你好世界
福吧巴兹酒店
示例链接：
是否也要删除样式和其他链接属性？？因为您的输入和输出涉及到这一点，非常感谢，这是一个灵活、优雅的解决方案，我从未想到过。我对
a
标记的处理做了一个小小的调整，以便按照我的要求输出，这很完美。它怎么可能只返回href属性呢？例如：
示例链接：
回答我自己的问题，只需将：
if-isinstance（genderant，Tag）和genderant.name='a'：yield str（genderant）
更改为：
if-isinstance（genderant，Tag）和genderant.name='a'：yield str（'.format（genderant.get（'href'，''）
for tag in tags:
    spans = tag.find_all('span')
    for span in spans:
        print(span.text)
print(tag.find('a'))

from bs4 import BeautifulSoup, NavigableString, CData, Tag


class MyBeautifulSoup(BeautifulSoup):
    def _all_strings(self, strip=False, types=(NavigableString, CData)):
        for descendant in self.descendants:
            # return "a" string representation if we encounter it
            if isinstance(descendant, Tag) and descendant.name == 'a':
                yield str(descendant)

            # skip an inner text node inside "a"
            if isinstance(descendant, NavigableString) and descendant.parent.name == 'a':
                continue

            # default behavior
            if (
                (types is None and not isinstance(descendant, NavigableString))
                or
                (types is not None and type(descendant) not in types)):
                continue

            if strip:
                descendant = descendant.strip()
                if len(descendant) == 0:
                    continue
            yield descendant

In [1]: data = """
   ...: <td>
   ...:     <font><span>Hello</span><span>World</span></font><br>
   ...:     <span>Foo Bar <span>Baz</span></span><br>
   ...:     <span>Example Link: <a href="https://google.com" target="_blank" style="mso-line-height-rule: exactly;-ms-text-size-adjust: 100%;-webkit-text-size-adjust: 100%;color: #395c99;font-weight: normal;tex
   ...: t-decoration: underline;">Google</a></span>
   ...: </td>
   ...: """

In [2]: soup = MyBeautifulSoup(data, "lxml")

In [3]: print(soup.get_text())

HelloWorld
Foo Bar Baz
Example Link: <a href="https://google.com" style="mso-line-height-rule: exactly;-ms-text-size-adjust: 100%;-webkit-text-size-adjust: 100%;color: #395c99;font-weight: normal;text-decoration: underline;" target="_blank">Google</a>