Python 使用Beautifulsoup从html页面提取数据

但运行脚本并分别打印myName和myData元素时得到的结果是：

myName = soup.findAll("div", {"class" : "name"})
myData = soup.findAll("div", {"class" : "data"})

问题是我不想要。这是由于 两个

在第一个位置，一个在第二个位置

我只希望结果是：

  SOME_Name_TEXT(as a link)
 SOME_Data_TEXT

在第一部分中，需要与“SOME_Name_TEXT”链接。

---

不需要数据部分中的图像，我只需要第二部分中的原始文本，即“一些数据文本”。我试着用str.split（）来做。我怎样才能得到准确的结果

您必须执行unicode替换以删除

，因为BS将HTML实体转换为unicode字符

SOME_Name_TEXT(as a link)
SOME_Data_TEXT

其他选项：对于myData，要仅获取文本，请执行以下操作：

Edit:
soup.prettify(formatter=lambda x: x.replace(u'\xa0', ''))

至于我的名字：

myData = soup.findAll("div", {"class" : "data"})[0].find('img').contents[0].strip()

---

这对你有用吗？

既然你不想要，你可以这样做：

myName = repr(soup.findAll("div", {"class" : "name"})[0].find('a'))
myName = re.sub(' ', '', myName)

或者第二种方法，这里是您的myName：

myName = soup.findAll("div", {"class" : "name"})
myData = soup.findAll("div", {"class" : "data"})
if(myName && !soup.findAll(text=" "))
{
    System.out.print(myName);
}

---

在其他问题的帮助下，最终解决了这个问题：

第一部分，即

str= "  hey how are you doing"
str.decode("utf-8");
str = str.replace(" ", "")
print str

我喜欢：

<div class="data">
  <img src="/page1/page2/Images/pic.png" height="13" width="13">
  &nbsp; SOME_Data_TEXT
</div>

---

我收到错误：

：“ascii”编解码器无法解码第22位的字节0xc2：序号不在范围（128）内。

很抱歉，它仍然无法工作。结果没有变化。您使用的是什么版本的BS？确定使用strip（）方法尝试新的编辑。如果这样做有效，那么您应该能够对“myName”执行相同的过程不，我希望数据不带“”。我不想失去任何结果。我试过str.replace（“，”）；它不起作用。如果BS将实体转换为unicode，第二种方法将不起作用。将utf-8添加为字符集@Arewegood，因为第二种方法对我有效。@fscore:它不再起作用了。不知道有什么问题。@我们可以将网页上传到某个网站，并发送链接给我，以便正确测试它吗

<div class="name">
      &nbsp;&nbsp;
      <strong>
        <a target="_blank" href="/page3.html">
          SOME_Name_TEXT
        </a>
      </strong>
    </div>

<div class="data">
  <img src="/page1/page2/Images/pic.png" height="13" width="13">
  &nbsp; SOME_Data_TEXT
</div>

tmp = x.findNext('img')
print tmp.get_text().strip()