如何使用Beautiful Soup提取HTML标记内的特定文本？

Question

我有一个这样的HTML标记：<ul class="clearfix">  "<li><span class="bold-title">Starts:</span> October 2013</li>"</ul>我想提取“ 2013年10月”。我的代码是：start_date = articl.find('ul', class_='clearfix').find('li').text.strip()...摘录为“开始时间：2013年10月”。如何只取日期呢？

Answer 1

使用正则表达式：

import re

ss = '''

<ul class="clearfix">

  <li><span class="bold-title">Starts:</span> October 2013</li>"

</ul>

blah blah

<ul class="clearfix">

  <li><<a href="/derives/certificats/"> November 2014     </li>"

</ul>

   '''

regx = re.compile('<ul +class="clearfix">.+?'

                  '<li>.*? *([^<>]+?) *</li>',

                  re.DOTALL)

print regx.findall(ss)

# prints ['October 2013', 'November 2014']

Answer 2

hold = li.text

for eachTag in li.findAll():

    hold = hold.replace(eachTag.text,'')

Answer 3

使用.contents，它返回一个列表：

>>> from bs4 import BeautifulSoup as BS

>>> html = (stuff above)

>>> soup = BS(html)

>>> print soup.find('li').contents[1].strip()

October 2013