Разбивайте слова на границах тегов с BeautifulSoup

Я пытаюсь преобразовать html в текст с помощью BeautifulSoup, но у меня проблема: некоторые слова разделены тегами без пробелов:

<span>word1</span><span>word2</space>

Итак, когда я извлекаю текст, у меня есть:

word1word2

Некоторые предложения также объединяются в одно предложение:

INTODUCTION There are many...

Есть ли простой способ принудительно разделить слова в тегах с помощью BeautifulSoup? Также можно исправить разделение предложений на некоторых тегах?

У меня есть несколько сложных HTML-файлов. Я преобразовываю их в текст вроде:

plain_texts = [BeautifulSoup(html, "html.parser").get_text() for html in htmls]

как вы получаете текст из тега html? с .text?

Upasana Mittal 10.08.2018 17:06

@Upasana Mittal BeautifulSoup (html, "html.parser"). Get_text ()

Роман Коптев 10.08.2018 17:30
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
2
235
2

Ответы 2

Вы можете использовать find_all():

from bs4 import BeautifulSoup

html_doc = """
<!DOCTYPE html><html lang = "en"><head><title>words</title></head><body><span>word1</span><span>word2</span></body></html>
"""

soup = BeautifulSoup(html_doc, 'lxml')
for span in soup.find_all('span'):
    print(span.text)

Что печатает текст между тегами <span> по отдельности:

word1
word2

Вы можете повозиться со своим супом, используя метод replace_with() (документы здесь). Но многое зависит от структуры вашего HTML:

from bs4 import BeautifulSoup

data = '''
<html><body><span>word1</span><span>word2</space>
'''

soup = BeautifulSoup(data, 'lxml')
for span in soup.select('span'):
    span.replace_with(span.text + ' ')

print(soup.text.strip())

Это печатает:

word1 word2

Другие вопросы по теме