BeautifulSoup 和表行内的换行符？

Question

示例代码：

from BeautifulSoup import BeautifulSoup, SoupStrainer

html='''<tr>
<td align="left">Foo<br />
Bar<br /></td>
</tr>'''

soup=BeautifulSoup(html)
rows=soup.findAll('tr')
print rows
print rows[0].text.encode("utf8")

我希望输出类似于“Foo Bar”，或者即使两行之间有一个实际的换行符也可以，但我得到的输出只有“FooBar”，请注意没有空格两条线之间。

对 python 和 beautifulsoup 很陌生，有人可以帮忙吗？

Answer 1

您可以使用 cell = rows[0].find('td') 更进一步，然后使用 cell.contents 查看其内容，然后过滤您需要的元素，然后用空格连接它们。

另一种选择：您可以使用正则表达式将
替换为空格。为此，您可以编写：

import re
s = re.sub('<br\s*?>', ' ', rows[0].text)

然后您可以将多个连续的空格替换为

s = re.sub('\s+', ' ', s)

然后字符串应如下所示：

>>> print s
<tr> <td align="left">Foo Bar </td> </tr>

然后您可以轻松提取所需的部分。

Answer 2

您可能需要考虑使用 lxml 而不是 BeautifulSoup。 lxml 使您能够使用 XPath 搜索元素（我认为）比使用 BeautifulSoup 的 API 更容易。

import lxml.html as LH

html='''<tr>
<td align="left">Foo<br />
Bar<br /></td>
</tr>'''

doc = LH.fromstring(html)
for tr in doc.xpath('//tr'):
    print(repr(tr.text_content()))

产量

'Foo\nBar\n'

和

for text in doc.xpath('//tr/*/text()'):
    print(repr(text))

产量

'Foo'
'\nBar'