ノードのインスタンスに基づく抽出

Question

美しいスープを使用してテキストを抽出しようとしています。関連部分はこのように見えます。

... 
<p class="consistent"><strong>RecurringText</strong></p> 
<p class="consistent">Text1</p> 
<p class="consistent">Text2</p> 
<p class="consistent">Text3</p> 
<p class="consistent"><strong>VariableText</strong></p> 
... 

名前が示すように、RecurringTextはすべてのファイルで一貫しています。ただし、VariableTextは変更されます。それが共通しているのは、次のコーディングされたセクションだけです。 Text1、Text2、Text3を抽出したいと思います。前に来るもの（RecurringTextを含む）と後ろのもの（VariableTextを含む）は後に残すことができます。 RecurringTextから抽出した部分は他の場所にありますが、それが意味をなさえすれば、次の項目を削除する方法がわかりません。

合計で、Text1、Text2、...、Textnの最後の項目の後に一貫して来るVariableText（文字列はURL全体で可変です）の特性に基づいてどのように抽出できますか（nはファイル間で異なります）。

Answer 1

あなたは基本的にstrong要素を含む別のp要素にstrong要素を含むp要素からアイテムを取得することができます：

from bs4 import BeautifulSoup 

data = """ 
<div> 
    <p class="consistent"><strong>RecurringText</strong></p> 
    <p class="consistent">Text1</p> 
    <p class="consistent">Text2</p> 
    <p class="consistent">Text3</p> 
    <p class="consistent"><strong>VariableText</strong></p> 
</div> 
""" 

soup = BeautifulSoup(data, "html.parser") 
for p in soup.find_all(lambda elm: elm and elm.name == "p" and elm.text == "RecurringText" and \ 
         "consistent" in elm.get("class") and elm.strong): 
    for item in p.find_next_siblings("p"): 
     if item.strong: 
      break 
     print(item.text) 

プリント：

Text1 
Text2 
Text3