HTML文書をCutting/SlicingしてBeautifulSoupで分割しますか？

Question

次のように私は、HTML文書を持っている：

<h1> Name of Article </h2> 
<p>First Paragraph I want</p> 
<p>More Html I'm interested in</p> 
<h2> Subheading in the article I also want </h2> 
<p>Even more Html i want to pull out of the document.</p> 
<h2> References </h2> 
<p>Html I do not want...</p> 

私は二H2タグでドキュメントをスライスしたい、記事からの参照を必要としません。

もちろん、私はそうのようなH2タグのリストを見つけることができます。

soup = BeautifulSoup(html) 
soupset = soup.find_all('h2') 
soupset[1] #this would get the h2 heading 'References' but not what comes before it 

私はH2タグのリストを取得する必要はありませんが、私は右の二H2タグでドキュメントをスライスしたいと上記の内容を新しい変数に保存してください。基本的に私がしたい所望の出力は次のようになります。

<h1> Name of Article </h2> 
<p>First Paragraph I want<p> 
<p>More Html I'm interested in</p> 
<h2> Subheading in the article I also want </h2> 
<p>Even more Html i want to pull out of the document.</p> 

この「スライス」HTML文書の/切断を行う代わりに、単純にタグを見つけ、タグ自体をoutputing aboout行くための最善の方法は何ですか？

Answer 1

することはできremove/extract「参考文献」要素のすべての兄弟要素と要素自体：

import re 
from bs4 import BeautifulSoup 

data = """ 
<div> 
    <h1> Name of Article </h2> 
    <p>First Paragraph I want</p> 
    <p>More Html I'm interested in</p> 
    <h2> Subheading in the article I also want </h2> 
    <p>Even more Html i want to pull out of the document.</p> 
    <h2> References </h2> 
    <p>Html I do not want...</p> 
</div> 
""" 
soup = BeautifulSoup(data, "lxml") 

references = soup.find("h2", text=re.compile("References")) 
for elm in references.find_next_siblings(): 
    elm.extract() 
references.extract() 

print(soup) 

プリント：

<div> 
    <h1> Name of Article</h1> 
    <p>First Paragraph I want</p> 
    <p>More Html I'm interested in</p> 
    <h2> Subheading in the article I also want </h2> 
    <p>Even more Html i want to pull out of the document.</p> 
</div> 

Answer 2

あなたは、文字列にh2の場所を見つけることができ、その後、部分文字列を見つける：

last_h2_tag = str(soup.find_all("h2")[-1]) 
html[:html.rfind(last_h2_tag) + len(last_h2_tag)]