Только извлечение текста из этого элемента, а не его детей

Я хочу извлечь только текст из самого верхнего элемента моего супа; однако soup.text также предоставляет текст всех дочерних элементов:

У меня

import BeautifulSoup
soup=BeautifulSoup.BeautifulSoup('<html>yes<b>no</b></html>')
print soup.text

Вывод на это yesno. Я хочу просто "да".

Какой лучший способ достичь этого?

Изменить. Я также хочу, чтобы yes выводился при разборе "<html><b>no</b>yes</html>".

Ответы

Ответ 1

как насчет .find(text=True)?

>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').find(text=True)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').find(text=True)
u'no'

EDIT:

Я думаю, что понял, что ты хочешь сейчас. Попробуйте следующее:

>>> BeautifulSoup.BeautifulSOAP('<html><b>no</b>yes</html>').html.find(text=True, recursive=False)
u'yes'
>>> BeautifulSoup.BeautifulSOAP('<html>yes<b>no</b></html>').html.find(text=True, recursive=False)
u'yes'

Ответ 2

Вы можете использовать contents

>>> print soup.html.contents[0]
yes

или получить все тексты под html, используйте findAll (текст = True, рекурсивный = False)

>>> soup = BeautifulSoup.BeautifulSOAP('<html>x<b>no</b>yes</html>')
>>> soup.html.findAll(text=True, recursive=False) 
[u'x', u'yes']

соединенный с одной строкой

>>> ''.join(soup.html.findAll(text=True, recursive=False)) 
u'xyes'

Ответ 3

Это работает для меня в bs4:

import bs4
node = bs4.BeautifulSoup('<html><div>A<span>B</span>C</div></html>').find('div')
print "".join([t for t in node.contents if type(t)==bs4.element.NavigableString])

выход:

AC

Ответ 4

Возможно, вы захотите изучить модуль lxml soupparser, который поддерживает XPath:

>>> from lxml.html.soupparser import fromstring
>>> s1 = '<html>yes<b>no</b></html>'
>>> s2 = '<html><b>no</b>yes</html>'
>>> soup1 = fromstring(s1)
>>> soup2 = fromstring(s2)
>>> soup1.xpath("text()")
['yes']
>>> soup2.xpath("text()")
['yes']