Python 使用<；从损坏的html标记中提取文本；br>；分离元素

我有一个html片段：

<p class="tbtx">


                              MWF



<br></br>

TH
</p>

MWF



真实航向

看起来完全被弄坏了。我需要提取数据，即['MWF'，'TH']

我能想到的唯一解决方案是替换html中的所有换行符和空格，然后在
处拆分，重建html结构，然后提取.text，但这有点荒谬

有什么合适的解决办法吗

您可以使用和BeautifulSoup从HTML片段中提取文本

from bs4 import BeautifulSoup

html = """<p class="tbtx">


                              MWF



<br></br>

TH
</p>"""

print filter(None,BeautifulSoup(html).get_text().strip().split("\n"))

是您正在寻找的-它删除不必要的空白并返回字符串

演示：

从bs4导入美化组
data=“”

MWF



真实航向
“”“
汤=美汤（数据）
打印列表（汤。剥落的字符串）#打印[u'MWF'，u'TH']

我建议使用正则表达式提取文本

例如，如果您的html如您所述：

"
<p class="tbtx">


                              MWF



<br></br>

TH
</p>
"

”

MWF



真实航向

"

我们可以看到所需的文本（“MWF”、“TH”）被空格字符包围

因此，正则表达式（“\s\w+\s”）读取“查找由空白字符包围的任何单词字符集”，并将标识所需的文本

以下是创建正则表达式的备忘：

---

您可以在此处测试所需文本上的正则表达式：

人们应该注意，它并不适用于所有版本的BeautifulSoup。只有在我安装了BeautifulSoup4之后，我才开始工作

from bs4 import BeautifulSoup

data = """<p class="tbtx">


                              MWF



<br></br>

TH
</p>"""

soup = BeautifulSoup(data)
print list(soup.stripped_strings)  # prints [u'MWF', u'TH']

"
<p class="tbtx">


                              MWF



<br></br>

TH
</p>
"