BeautifulSoup:提取不存在于给定标记中的文本

Question

我有以下变量，header等于：

<p>Andrew Anglin<br/>
<strong>Daily Stormer</strong><br/>
February 11, 2017</p>

我只想从这个变量中提取日期February 11, 2017。我如何在python中使用BeautifulSoup实现它呢？

Answer 1

如果您知道日期始终是标头变量中的最后一个文本节点，那么您可以访问 property并在返回的列表中获取最后一个元素：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')
header = soup.find('p')

header.contents[-1].strip()
> February 11, 2017

或者，作为MYGz pointed out in the comments below，您可以在新行拆分文本并检索列表中的最后一个元素：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')
header = soup.find('p')

header.text.split('\n')[-1]
> February 11, 2017

如果您不知道日期文本节点的位置，那么另一个选项是解析任何匹配的字符串：

from bs4 import BeautifulSoup
import re

soup = BeautifulSoup(html, 'html.parser')
header = soup.find('p')

re.findall(r'\w+ \d{1,2}, \d{4}', header.text)[0]
> February 11, 2017

但是，正如标题所暗示的那样，如果您只想检索没有用元素标记包装的文本节点，那么您可以使用以下方法过滤掉元素：

from bs4 import BeautifulSoup
import re

soup = BeautifulSoup(html, 'html.parser')
header = soup.find('p')

text_nodes = [e.strip() for e in header if not e.name and e.strip()]

请记住，这将返回以下内容，因为第一个文本节点没有包装：

> ['Andrew Anglin', 'February 11, 2017']

当然，还可以组合最后两个选项并解析返回文本节点中的日期字符串：

from bs4 import BeautifulSoup
import re

soup = BeautifulSoup(html, 'html.parser')
header = soup.find('p')

for node in header:
    if not node.name and node.strip():
        match = re.findall(r'^\w+ \d{1,2}, \d{4}$', node.strip())
        if match:
            print(match[0])

> February 11, 2017