Je veux extraire uniquement le texte de l'élément le plus haut de ma soupe; cependant soup.text donne également le texte de tous les éléments enfants:
J'ai
import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text
La sortie de ceci est yesno
. Je veux simplement "oui".
Quelle est la meilleure façon d'y parvenir?
Edit: Je souhaite également que yes
soit affiché lors de l'analyse de '<html><b>no</b>yes</html>
'.
qu'en est-il de .find(text=True)
?
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'
MODIFIER:
Je pense que j'ai compris ce que tu veux maintenant. Essaye ça:
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'
Vous pouvez utiliser conten
>>> print soup.html.contents[0]
yes
ou pour obtenir tous les textes en html, utilisez findAll (text = True, recursive = False)
>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False)
[u'x', u'yes']
ci-dessus joint pour former une seule chaîne
>>> ''.join(soup.html.findAll(text=True, recursive=False))
u'xyes'
Cela fonctionne pour moi dans bs4:
import bs4
node = bs4.BeautifulSoup('<html><div>A<span>B</span>C</div></html>').find('div')
print "".join([t for t in node.contents if type(t)==bs4.element.NavigableString])
production:
AC
Vous voudrez peut-être examiner le module soupparser de lxml, qui prend en charge XPath:
>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']