从特定块中获取文本，不包括一些嵌套标签

Question

我一直在尝试制作一个 Python 脚本，它实际上从特定元素块中提取文本，但必须排除嵌套兄弟元素中的一些文本。

这是我要抓取的 HTML 部分：

<div class="article_body">
    <div id="articleBodyContents">
        Stack Overflow
        <br/>
        Is Love
        <br/>
        <a href="https://example_site1.com" target="_blank">Ad</a>
        <br/>
        <a href="https://example_site2.com" target="_blank">Ad2</a>
    </div>
</div>

这是到目前为止我取得的进步：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")
divs = soup.findAll('div', {'id':'articleBodyContents'})
for ops in divs:
    print(ops.text.replace('\n', '').strip())

但是打印出来的是：

Stack Overflow
Is love
Ad
Ad2

我想要的只有：

Stack Overflow
Is love

Answer 1

你快到了。您需要 NavigableString 的帮助才能实现此目的。只需捕获前一个父级，并对其进行迭代检查字符串是否是 NavigableString 的实例。这是您的代码：

from bs4 import BeautifulSoup, NavigableString

html = """
<div class="article_body">
    <div id="articleBodyContents">
        Stack Overflow
        <br/>
        Is love
        <br/>
        <a href="https://example_site1.com" target="_blank">Ad</a>
        <br/>
        <a href="https://example_site2.com" target="_blank">Ad2</a>
    </div>
</div>
"""

soup = BeautifulSoup(html, "html.parser")
divs = soup.find('div', {'class':'article_body'})
ops = [element for element in divs.div if isinstance(element, NavigableString)]
for op in ops:
    print(op.strip().replace('\n', ''))

输出：

Stack Overflow
Is love

从特定块中获取文本，不包括一些嵌套标签

Get text from specific blocks excluding some nested tags

html

python

beautifulsoup

html-parsing

web-scraping