提取子字符串的Python列表处理

Question

我通过漂亮汤解析了一个HTML页面，将所有具有特定class名称的class元素提取到一个列表中。

现在我必须从这个列表中清除HTML字符串，留下我需要的字符串标记。

我从下面开始的列表如下：

[<div class="info-1">\nName1a    <span class="bold">Score1a</span>\n</div>, <div class="info-2">\nName1b    <span class="bold">Score1b</span>\n</div>, <div class="info-1">\nName2a    <span class="bold">Score2a</span>\n</div>, <div class="info-2">\nName2b    <span class="bold">Score2b</span>\n</div>, <div class="info-1">\nName3a    <span class="bold">Score3a</span>\n</div>, <div class="info-2">\nName3b    <span class="bold">Score3b</span>\n</div>]

白色空间是故意的。我需要把这份清单减少到：

[('Name1a', 'Score1a'), ('Name1b', 'Score1b'), ('Name2a', 'Score2a'), ('Name2b', 'Score2b'), ('Name3a', 'Score3a'), ('Name3b', 'Score3b')]

像这样解析子字符串的有效方法是什么？

我尝试过使用split方法(例如，[item.split('<div class="info-1">\n',1) for item in string_list])，但是拆分只会导致一个需要进一步拆分的子字符串(因此效率低下)。同样，对于使用replace也是如此。

我觉得我应该走另一条路，提取我需要的代币，但我似乎不能用一种优雅的方式来做这件事。对这件事也没什么帮助。我感谢你的帮助。

Answer 1

1. 除非您真的需要这样做，否则不要将BS对象转换为字符串。
2. 使用CSS选择器查找以class开头的info
3. 使用stripped_strings获取标记下的所有非空字符串。
4. 使用tuple()将可迭代的元组对象转换为元组对象

import bs4

html = '''<div class="info-1">\nName1a    <span class="bold">Score1a</span>\n</div>, <div class="info-2">\nName1b    <span class="bold">Score1b</span>\n</div>, <div class="info-1">\nName2a    <span class="bold">Score2a</span>\n</div>, <div class="info-2">\nName2b    <span class="bold">Score2b</span>\n</div>, <div class="info-1">\nName3a    <span class="bold">Score3a</span>\n</div>, <div class="info-2">\nName3b    <span class="bold">Score3b</span>\n</div>'''

soup = bs4.BeautifulSoup(html, 'lxml')

for div in soup.select('div[class^="info"]'):
    t = tuple(text for text in div.stripped_strings)
    print(t)

退出：

('Name1a', 'Score1a')
('Name1b', 'Score1b')
('Name2a', 'Score2a')
('Name2b', 'Score2b')
('Name3a', 'Score3a')
('Name3b', 'Score3b')