2

BeautifulSoup を使用して、すべてが同様の形式に従う一連の Web ページからテキストを抽出しようとしています。抽出したいテキストのhtmlは以下です。実際のリンクはhttp://www.p2016.org/ads1/bushad120215.htmlです。

 <p><span style="color: rgb(153, 153, 153);"></span><font size="-1">      <span
 style="font-family: Arial;"><big><span style="color: rgb(153, 153, 153);"></span></big></span></font><span style="color: rgb(153, 153, 153);"></span><font size="-1"><span style="font-family: Arial;"><big><span
 style="color: rgb(153, 153, 153);"></span></big></span></font><font
 size="-1"><span style="font-family: Arial;"><big><span style="color: rgb(153, 153, 153);"></span></big></span></font><font size="-1"><span style="font-family: Arial;"><big><span style="color: rgb(153, 153, 153);"></span></big></span></font></p>   <p><span style="color: rgb(153, 153, 153);">[Music]</span><span
 style="text-decoration: underline;"><br>
</span></p>
<p><small><span style="text-decoration: underline;">TEXT</span>: The
Medal of Honor is the highest award for valor in action against an
enemy force</small><span style="text-decoration: underline;"><br>
</span></p>
<p><span style="text-decoration: underline;">Col. Jay Vargas</span>:&nbsp;
We
were
completely
surrounded,
116 Marines locking heads with 15,000
North Vietnamese.&nbsp; Forty hours with no sleep, fighting hand to
hand.<span style="text-decoration: underline;"><br>
<span style="font-family: helvetica,sans-serif;"><br>
</span>

フォルダー内のすべての html ファイルを反復処理し、すべてのマーカー間のテキストを抽出する方法を見つけたいと思います。コードの関連セクションをここに含めました。

text=[]

for page in pages:
        html_doc = codecs.open(page, 'r')
        soup = BeautifulSoup(html_doc, 'html.parser')
        for t in soup.find_all('<p>'):
            t = t.get_text()
            text.append(t.encode('utf-8'))
            print t

しかし、何も起きていません。初歩的な質問で申し訳ありません。ご協力いただきありがとうございます。

4

1 に答える 1

3

for t in soup.find_all('<p>'):

表現ではなく、タグ名を指定するだけです。

for t in soup.find_all('p'):

検索をダイアログの段落に絞り込む方法は次のとおりです。

for span in soup.find_all("span", style="text-decoration: underline;"):
    text = span.next_sibling

    if text:
        print(span.text, text.strip())
于 2015-12-21T02:50:29.663 に答える