投稿获客
广告
广告 广告 广告
广告 广告 广告 广告
广告 █ 推荐【菠萝云】香港16G内存99元 【CDNCloud】极速、安全可靠的加速体验 广告位联系QQ：253000106 【UStat】免费网站统计平台 SSL证书低至2折 单域名36元起 免费测试！海总一手APK免杀处理 广告位联系QQ：253000106 CDN 服务器 反炸 劫持 域名屏蔽 【UStat】专业网站统计平台 域名注册：海量域名快速注册 安卓免杀 谷歌报毒 封装 苹果签名 广告位联系QQ：253000106 【域名被劫持污染如何处理】 安卓免杀★超级签★封装★谷歌屏蔽 广告位联系QQ：253000106

*本站广告为第三方投放，如发生纠纷，请向本站索取第三方联系方式沟通

  1. 创想鸟首页
  2. 后端开发

使用 Beautiful Soup 从非结构化 HTML 中高效提取特定文本

程序猿 • • 后端开发 • 阅读 0

使用 Beautiful Soup 从非结构化 HTML 中高效提取特定文本

本文详细介绍了如何利用 python 的 beautiful soup 库，结合 css 选择器和 `stripped_strings` 方法，从非结构化 html 中精确提取特定标签（如包含 `` 标签的 “）内 `
` 标签之后的文本内容。教程通过示例代码演示了如何解决常见的数据提取挑战，并提供了高效、健壮的解决方案，适用于处理复杂的 html 结构。

引言：HTML 文本提取的挑战

在网络爬虫和数据抓取任务中，从 HTML 页面中提取特定信息是常见的需求。然而，HTML 结构往往不规则，目标文本可能隐藏在复杂的标签层级中，或者紧邻其他非目标内容。特别是当我们需要提取某个特定标签（如
）之后的文本时，传统的 find() 或 find_all() 方法配合 next_sibling 可能会因为文本节点、空白字符等原因导致提取失败。本文将以一个具体的 HTML 结构为例，演示如何使用 Beautiful Soup 库，通过更强大的 CSS 选择器和字符串处理方法，高效且准确地提取所需文本。

问题场景分析

假设我们有以下 HTML 片段，目标是提取

标签中 标签之后、
标签紧随其后的文本内容（例如 “aaa” 和 “bbb”）。

    
                    
                Swan                Flower            
            
                                    
Playground
                		            
            
                                    Animal:                    
aaa		            
            
                                    Fish:                    
bbb

初次尝试可能通过 find_all(‘td’, {‘colspan’: ‘2’, ‘strong’: True}) 来定位目标

标签，然后尝试获取
的 next_sibling。然而，strong: True 并非有效的 td 标签属性，因此这种选择器无法准确匹配。即使能够定位到

，br_tag.next_sibling.strip() 也可能因文本节点或空白字符处理不当而失败。

解决方案：结合 CSS 选择器与 stripped_strings

Beautiful Soup 提供了强大的 CSS 选择器功能，通过 soup.select() 方法可以实现更灵活、精确的元素定位。结合 stripped_strings 属性，我们可以有效地提取所需文本。

立即学习“前端免费学习笔记（深入）”；

小绿鲸英文文献阅读器 小绿鲸英文文献阅读器

英文文献阅读器，专注提高SCI阅读效率

小绿鲸英文文献阅读器 199 查看详情 小绿鲸英文文献阅读器

核心思路

使用 :has() 伪类选择器定位父元素： 找到所有包含 标签的

元素。这比直接查找 的父级更具描述性，并且可以确保我们只处理包含特定子元素的

。利用 stripped_strings 提取纯净文本： 对于定位到的每个

元素，stripped_strings 属性会迭代其所有子孙文本内容，并自动去除多余的空白字符。由于我们的目标文本 “aaa” 或 “bbb” 总是

中最后一个有意义的文本片段（在 和
之后），我们可以简单地获取 stripped_strings 列表中的最后一个元素。

示例代码

以下是实现这一目标的 Python 代码：

from bs4 import BeautifulSoup# 模拟 HTML 内容html_text = """    
                    
                Swan                Flower            
            
                                    
Playground
                		            
            
                                    Animal:                    
aaa		            
            
                                    Fish:                    
bbb		            
            
                                                                                                                                                            
            
"""# 使用 Beautiful Soup 解析 HTMLsoup = BeautifulSoup(html_text, "html.parser")# 使用 CSS 选择器定位所有包含  标签的  元素# ":has(strong)" 伪类选择器用于匹配包含指定子元素的父元素target_tds = soup.select("td:has(strong)")# 遍历每个目标  元素并提取所需文本extracted_texts = []for td in target_tds:    # `td.stripped_strings` 返回一个生成器，迭代所有子孙文本，并去除空白    # 将其转换为列表，并获取最后一个元素，即 `
` 后的文本    text = list(td.stripped_strings)[-1]    extracted_texts.append(text)    print(text)print(f"n所有提取的文本: {extracted_texts}")

输出结果：

aaabbb所有提取的文本: ['aaa', 'bbb']

代码解析

from bs4 import BeautifulSoup: 导入 Beautiful Soup 库。soup = BeautifulSoup(html_text, “html.parser”): 初始化 Beautiful Soup 对象，使用 html.parser 解析器解析 HTML 文本。soup.select(“td:has(strong)”): 这是关键一步。td: 选择所有

标签。:has(strong): 这是一个 CSS 伪类选择器，它会进一步过滤

标签，只保留那些内部包含 标签的

。这使得我们能够精确地找到目标父元素。for td in target_tds:: 遍历所有匹配到的

元素。text = list(td.stripped_strings)[-1]:td.stripped_strings: 这个属性返回一个生成器，它会遍历当前 td 标签及其所有子孙标签中的文本内容，并自动去除文本两端的空白字符（如换行符、空格）。list(…): 将生成器转换为列表，这样我们可以通过索引访问其元素。[-1]: 获取列表中的最后一个元素。在我们的 HTML 结构中，Animal: 是第一个文本片段，而 aaa 是在
之后，作为

内的最后一个有意义的文本片段。因此，获取最后一个 stripped_strings 元素就能准确得到我们想要的内容。

注意事项与总结

CSS 选择器的强大性： Beautiful Soup 的 select() 方法支持大部分 CSS3 选择器，包括类选择器、ID 选择器、属性选择器、伪类选择器（如 :nth-of-type, :first-child, :has() 等）。熟练掌握 CSS 选择器能够极大地提高 HTML 元素定位的效率和准确性。stripped_strings 的应用场景： 当你需要从一个标签内部提取所有纯净的文本内容，并且这些文本可能被其他标签或空白字符分隔时，stripped_strings 是一个非常实用的工具。它能自动处理文本的拼接和空白去除。HTML 结构分析： 在进行任何数据提取之前，仔细分析目标 HTML 的结构至关重要。通过浏览器开发者工具检查元素的层级关系、属性和文本位置，可以帮助你设计出最有效的选择器和提取逻辑。健壮性考虑： 这种方法相对 next_sibling 更为健壮，因为它不依赖于
标签和目标文本之间是否存在空白文本节点。只要目标文本是其父元素内最后一个有意义的文本片段，list(td.stripped_strings)[-1] 就能成功提取。

通过本文的讲解，读者应该能够理解并运用 Beautiful Soup 的 select() 方法和 stripped_strings 属性，高效地从复杂的 HTML 结构中提取出所需的特定文本内容。这种方法不仅适用于本例，也能灵活应用于各种类似的网页数据抓取场景。

以上就是使用 Beautiful Soup 从非结构化 HTML 中高效提取特定文本的详细内容，更多请关注创想鸟其它相关文章！

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/588470.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
0 0

关于作者

程序猿的头像

程序猿签约作者

414.1K 文章
0 评论
2 粉丝
这个人很懒，什么都没有留下～
上一篇 2025年11月10日 14:16:08
下一篇 2025年11月10日 14:17:25

相关推荐

  • CSS mask属性无法获取图片：为什么我的图片不见了？ 好文分享

    CSS mask属性无法获取图片：为什么我的图片不见了？

    CSS mask属性无法获取图片 在使用CSS mask属性时，可能会遇到无法获取指定照片的情况。这个问题通常表现为： 网络面板中没有请求图片：尽管CSS代码中指定了图片地址，但网络面板中却找不到图片的请求记录。 问题原因： 此问题的可能原因是浏览器的兼容性问题。某些较旧版本的浏览器可能不支持CSS…

    程序猿的头像 程序猿
    2025年12月24日
    900
  • 如何用dom2img解决网页打印样式不显示的问题？ 好文分享

    如何用dom2img解决网页打印样式不显示的问题？

    用dom2img解决网页打印样式不显示的问题 想将网页以所见即打印的的效果呈现，需要采取一些措施，特别是在使用了bootstrap等大量采用外部css样式的框架时。 问题根源 在常规打印操作中，浏览器通常会忽略css样式等非必要的页面元素，导致打印出的结果与网页显示效果不一致。这是因为打印机制只识别…

    程序猿的头像 程序猿
    2025年12月24日
    800
  • 如何用 CSS 模拟不影响其他元素的链接移入效果？ 好文分享

    如何用 CSS 模拟不影响其他元素的链接移入效果？

    如何模拟 css 中链接的移入效果 在 css 中，模拟移入到指定链接的效果尤为复杂，因为链接的移入效果不影响其他元素。要实现这种效果，最简单的方法是利用放大，例如使用 scale 或 transform 元素的 scale 属性。下面提供两种方法： scale 属性： .goods-item:ho…

    程序猿的头像 程序猿
    2025年12月24日
    700
  • Uniapp 中如何不拉伸不裁剪地展示图片？ 好文分享

    Uniapp 中如何不拉伸不裁剪地展示图片？

    灵活展示图片：如何不拉伸不裁剪 在界面设计中，常常需要以原尺寸展示用户上传的图片。本文将介绍一种在 uniapp 框架中实现该功能的简单方法。 对于不同尺寸的图片，可以采用以下处理方式： 极端宽高比：撑满屏幕宽度或高度，再等比缩放居中。非极端宽高比：居中显示，若能撑满则撑满。 然而，如果需要不拉伸不…

    程序猿的头像 程序猿
    2025年12月24日
    400
  • PC端H5项目如何实现适配：流式布局、响应式设计和两套样式？ 好文分享

    PC端H5项目如何实现适配：流式布局、响应式设计和两套样式？

    PC端的适配方案及PC与H5兼顾的实现方案探讨 在开发H5项目时，常用的屏幕适配方案是postcss-pxtorem或postcss-px-to-viewport，通常基于iPhone 6标准作为设计稿。但对于PC端网项目，处理不同屏幕大小需要其他方案。 PC端屏幕适配方案 PC端屏幕适配一般采用流…

    程序猿的头像 程序猿
    2025年12月24日
    300
  • CSS 元素设置 10em 和 transition 后为何没有放大效果？ 好文分享

    CSS 元素设置 10em 和 transition 后为何没有放大效果？

    CSS 元素设置 10em 和 transition 后为何无放大效果？ 你尝试设置了一个 .box 类，其中包含字体大小为 10em 和过渡持续时间为 2 秒的文本。当你载入到页面时，它没有像 YouTube 视频中那样产生放大效果。 原因可能在于你将 CSS 直接写在页面中 在你的代码示例中，C…

    程序猿的头像 程序猿
    2025年12月24日
    400
  • 如何实现类似横向U型步骤条的组件？ 好文分享

    如何实现类似横向U型步骤条的组件？

    横向U型步骤条寻求替代品 希望找到类似横向U型步骤条的组件或 CSS 实现。 潜在解决方案 根据给出的参考图片，类似的组件有： 图片所示组件：图片提供了组件的外观，但没有提供具体的实现方式。参考链接：提供的链接指向了 SegmentFault 上的另一个问题，其中可能包含相关的讨论或解决方案建议。 …

    程序猿的头像 程序猿
    2025年12月24日
    800
  • 如何让小说网站控制台显示乱码，同时网页内容正常显示？ 好文分享

    如何让小说网站控制台显示乱码，同时网页内容正常显示？

    如何在不影响用户界面的情况下实现控制台乱码？ 当在小说网站上下载小说时，大家可能会遇到一个问题：网站上的文本在网页内正常显示，但是在控制台中却是乱码。如何实现此类操作，从而在不影响用户界面（UI）的情况下保持控制台乱码呢？ 答案在于使用自定义字体。网站可以通过在服务器端配置自定义字体，并通过在客户端…

    程序猿的头像 程序猿
    2025年12月24日
    800
  • 如何优化CSS Grid布局中子元素排列和宽度问题？ 好文分享

    如何优化CSS Grid布局中子元素排列和宽度问题？

    css grid布局中的优化问题 在使用css grid布局时可能会遇到以下问题： 问题1：无法控制box1中li的布局 box1设置了grid-template-columns: repeat(auto-fill, 20%)，这意味着容器将自动填充尽可能多的20%宽度的列。当li数量大于5时，它们…

    程序猿的头像 程序猿
    2025年12月24日
    800
  • SASS 中的 Mixins 好文分享

    SASS 中的 Mixins

    mixin 是 css 预处理器提供的工具，虽然它们不是可以被理解的函数，但它们的主要用途是重用代码。 不止一次，我们需要创建多个类来执行相同的操作，但更改单个值，例如字体大小的多个类。 .fs-10 { font-size: 10px;}.fs-20 { font-size: 20px;}.fs-…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何在地图上轻松创建气泡信息框？ 好文分享

    如何在地图上轻松创建气泡信息框？

    地图上气泡信息框的巧妙生成 地图上气泡信息框是一种常用的交互功能，它简便易用，能够为用户提供额外信息。本文将探讨如何借助地图库的功能轻松创建这一功能。 利用地图库的原生功能 大多数地图库，如高德地图，都提供了现成的信息窗体和右键菜单功能。这些功能可以通过以下途径实现： 高德地图 JS API 参考文…

    程序猿的头像 程序猿
    2025年12月24日
    400
  • 如何使用 scroll-behavior 属性实现元素scrollLeft变化时的平滑动画？ 好文分享

    如何使用 scroll-behavior 属性实现元素scrollLeft变化时的平滑动画？

    如何实现元素scrollleft变化时的平滑动画效果？ 在许多网页应用中，滚动容器的水平滚动条（scrollleft）需要频繁使用。为了让滚动动作更加自然，你希望给scrollleft的变化添加动画效果。 解决方案：scroll-behavior 属性 要实现scrollleft变化时的平滑动画效果…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • CSS mask 属性无法加载图片：浏览器问题还是代码错误？ 好文分享

    CSS mask 属性无法加载图片：浏览器问题还是代码错误？

    CSS mask 属性请求图片失败 在使用 CSS mask 属性时，您遇到了一个问题，即图片没有被请求获取。这可能是由于以下原因： 浏览器问题：某些浏览器可能在处理 mask 属性时存在 bug。尝试更新到浏览器的最新版本。代码示例中的其他信息：您提供的代码示例中还包含其他 HTML 和 CSS …

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何为滚动元素添加平滑过渡，使滚动条滑动时更自然流畅？ 好文分享

    如何为滚动元素添加平滑过渡，使滚动条滑动时更自然流畅？

    给滚动元素平滑过渡 如何在滚动条属性（scrollleft）发生改变时为元素添加平滑的过渡效果？ 解决方案：scroll-behavior 属性 为滚动容器设置 scroll-behavior 属性可以实现平滑滚动。 html 代码： click the button to slide right!…

    程序猿的头像 程序猿
    2025年12月24日
    500
  • 如何用 CSS 实现链接移入效果？ 好文分享

    如何用 CSS 实现链接移入效果？

    css 中实现链接移入效果的技巧 在 css 中模拟链接的移入效果可能并不容易，因为它们不会影响周围元素。但是，有几个方法可以实现类似的效果： 1. 缩放 最简单的方法是使用 scale 属性，它会放大元素。以下是一个示例： 立即学习“前端免费学习笔记（深入）”； .goods-item:hover…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 网页使用本地字体：为什么 CSS 代码中明明指定了“荆南麦圆体”，页面却仍然显示“微软雅黑”？ 好文分享

    网页使用本地字体：为什么 CSS 代码中明明指定了“荆南麦圆体”，页面却仍然显示“微软雅黑”？

    网页中使用本地字体 本文将解答如何将本地安装字体应用到网页中，避免使用 src 属性直接引入字体文件。 问题： 想要在网页上使用已安装的“荆南麦圆体”字体，但 css 代码中将其置于第一位的“font-family”属性，页面仍显示“微软雅黑”字体。 立即学习“前端免费学习笔记（深入）”； 答案： …

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何选择元素个数不固定的指定类名子元素？ 好文分享

    如何选择元素个数不固定的指定类名子元素？

    灵活选择元素个数不固定的指定类名子元素 在网页布局中，有时需要选择特定类名的子元素，但这些元素的数量并不固定。例如，下面这段 html 代码中，activebar 和 item 元素的数量均不固定： *n *n 如果需要选择第一个 item元素，可以使用 css 选择器 :nth-child()。该…

    程序猿的头像 程序猿
    2025年12月24日
    200
  • 如何用 CSS 实现类似卡券的缺口效果？ 好文分享

    如何用 CSS 实现类似卡券的缺口效果？

    类似卡券的布局如何实现 想要实现类似卡券的布局，可以使用遮罩（mask）来实现缺口效果。 示例代码： .card { -webkit-mask: radial-gradient(circle at 20px, #0000 20px, red 0) -20px;} 效果： 立即学习“前端免费学习笔记（…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何用纯代码实现自定义宽度和间距的虚线边框？ 好文分享

    如何用纯代码实现自定义宽度和间距的虚线边框？

    自定义宽度和间距的虚线边框 提问： 如何创建一个自定义宽度和间距的虚线边框，如下图所示： 元素宽度：8px元素高度：1px间距：2px圆角：4px 解答： 传统的解决方案通常涉及使用 border-image 引入切片的图片来实现。但是，这需要引入外部资源。本解答将提供一种纯代码的方法，使用 svg…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • PC端、PC兼响应式H5项目，如何选择最佳适配方案？ 好文分享

    PC端、PC兼响应式H5项目，如何选择最佳适配方案？

    多屏适配：PC端、PC兼响应式H5项目解决方案 针对PC端的网页适配，业界普遍采用以下方案： 流媒体查询：根据设备屏幕宽度应用不同的样式表，实现不同屏幕尺寸的适配。栅格系统：将布局划分为多个网格，根据屏幕宽度调整网格的显示和隐藏，实现自适应布局。 一般情况下，设计师设计PC页面时，会以特定像素宽度为…

    程序猿的头像 程序猿
    2025年12月24日
    000

发表回复

登录后才能评论
关注微信