Python 使用beautifulsoup访问未标记的文本

我正在使用python和beautifulsoup4提取一些地址信息。 更具体地说，我在检索非美国邮政编码时需要帮助

考虑一家美国公司的以下html数据：（已经是一个soup对象）

你可以看到我需要一些律师，如果地址['zip']=''：

这两个对象示例给我带来了麻烦。在下面的示例中，我想检索EC4N 4SA

<div class="compContent curvedBottom" id="companyDescription">
<div class="vcard clearfix">
<p id="adr">
<span class="street-address">Albert Buildings</span><br/>
<span class="extended-address">00 Queen Victoria Street</span>
<span class="locality">London</span>
                                    EC4N 4SA
                                    <span class="region">London</span>
<br/><span class="country-name">England</span>
</p>
<p>
</p>
<p class="companyURL"><a class="url ext" href="http://www.website.com.com" target="_blank">http://www.website.com.com</a></p>
</div>
<p><strong>Line of Business</strong> <br/>Management services, nsk</p> 
</div>

阿尔伯特大厦

维多利亚皇后街00号
伦敦
ec4n4sa
伦敦

英国




业务线
管理服务，nsk

以及下面，我对获得71364感兴趣

<div class="compContent curvedBottom" id="companyDescription">
<div class="vcard clearfix">
<p id="adr">
<span class="street-address">Alfred-Kärcher-Str. 100</span><br/>
                                                71364
                                    <span class="locality">Winnenden</span>
<span class="region">Baden-Württemberg</span>
<br/><span class="country-name">Germany</span>
</p>
<p>
<span class="tel">
<strong class="type">Phone: </strong>+00-1234567
                            </span><br/>
<span class="tel"><strong class="type">Fax: </strong>+00-1234567</span>
</p>
</div>
</div>

阿尔弗雷德·卡彻街100号

71364
温内登
巴登-沃尔滕堡

德国


电话：+00-1234567


传真：+00-1234567

现在，我在大约68000个账户上运行这个程序，其中28000个非美国账户。我只举了两个例子，我知道目前的方法不是防弹的。可能还有其他的地址格式，这个脚本并没有像预期的那样工作，但我相信弄清楚英国和德国的帐户将非常有帮助

---

提前感谢您，因为它是唯一一个没有标签的文本，所以您可以使用

find_all(text=True, recursive=False) 

仅获取文本（无标记），而不从嵌套标记（

）获取文本。这将为列表提供文本和一些

\n

和空格，以便您可以使用

join（）

创建一个字符串，并使用

strip（）

删除所有

\n

和空格

data = '''<p id="adr">
<span class="street-address">Albert Buildings</span><br/>
<span class="extended-address">00 Queen Victoria Street</span>
<span class="locality">London</span>
                                    EC4N 4SA
                                    <span class="region">London</span>
<br/><span class="country-name">England</span>
</p>'''

from bs4 import BeautifulSoup as BS

soup = BS(data, 'html.parser').find('p')

print(''.join(soup.find_all(text=True, recursive=False)).strip())

---

结果：

71364

这真漂亮！谢谢你@furas，我会马上尝试一下。我在看这个时没有注意到包含的标记。

find_all(text=True, recursive=False) 

data = '''<p id="adr">
<span class="street-address">Albert Buildings</span><br/>
<span class="extended-address">00 Queen Victoria Street</span>
<span class="locality">London</span>
                                    EC4N 4SA
                                    <span class="region">London</span>
<br/><span class="country-name">England</span>
</p>'''

from bs4 import BeautifulSoup as BS

soup = BS(data, 'html.parser').find('p')

print(''.join(soup.find_all(text=True, recursive=False)).strip())

data = '''<p id="adr">
<span class="street-address">Alfred-Kärcher-Str. 100</span><br/>
                                                71364
                                    <span class="locality">Winnenden</span>
<span class="region">Baden-Württemberg</span>
<br/><span class="country-name">Germany</span>
</p>'''

from bs4 import BeautifulSoup as BS

soup = BS(data, 'html.parser').find('p')

print(''.join(soup.find_all(text=True, recursive=False)).strip())