BeautifulSoup：将顶级文本与经典标签查找功能相结合？

Question

我正在尝试使用 BeautifulSoup 从非统一结构的 html 块中提取信息。我正在寻找一种方法来组合搜索/过滤器输出中标签之间的文本块。例如，来自 html：

<span>
    <strong>Description</strong>
    Section1
    <ul>
        <li>line1</li>
        <li>line2</li>
        <li>line3</li>
    </ul>
    <strong>Section2</strong>
    Content2    
</span>

我想创建一个输出列表，忽略某些类型的标签（上例中的 ul 和 li），但捕获顶级未标记文本。我发现的最接近的是 .select(':not(ul,li)') 或 .find_all(['strong'])，但两者都不是它们可以同时捕获未标记的顶级文本和各种目标标记。理想的行为是这样的：

.find_all(['strong','UNTAGGED'])

产生如下输出：

[
<strong>Description</strong>,
Section1,
<strong>Section2</strong>,
Content2
]

Answer 1

要获得输出，您可以先选择，然后选择它的next_sibling。

示例

from bs4 import BeautifulSoup
html = '''
<span>
    <strong>Description</strong>
    Section1
    <ul>
        <li>line1</li>
        <li>line2</li>
        <li>line3</li>
    </ul>
    <strong>Section2</strong>
    Content2    
</span>
'''
soup = BeautifulSoup(html)

data = []

for e in soup.select('strong'):
    data.extend([e,e.next_sibling.strip()])

data

输出

[<strong>Description</strong>,
 'Section1',
 <strong>Section2</strong>,
 'Content2']