BeautifulSoup: Как извлечь все <li> s из списка <ul> s, который содержит некоторые вложенные <ul> s?
Мой исходный код выглядит следующим образом:
<h3>Header3 (Start here)</h3>
<ul>
<li>List items</li>
<li>Etc...</li>
</ul>
<h3>Header 3</h3>
<ul>
<li>List items</li>
<ul>
<li>Nested list items</li>
<li>Nested list items</li></ul>
<li>List items</li>
</ul>
<h2>Header 2 (end here)</h2>
Мне бы хотелось, чтобы все теги "li" после первого тега "h3" и останавливались на следующем теге "h2", включая все вложенные теги li.
firstH3 = soup.find('h3')
правильно находит место, которое я хотел бы начать.
firstH3 = soup.find('h3') # Start here
uls = []
for nextSibling in firstH3.findNextSiblings():
if nextSibling.name == 'h2':
break
if nextSibling.name == 'ul':
uls.append(nextSibling)
дает мне список UL, каждый с содержимым LI, которое мне нужно.
ИСКЛЮЧЕНИЕ СПИСОК "uls":
<ul>
...
<li><i><a href="/wiki/Agent_Cody_Banks" title="Agent Cody Banks">Agent Cody Banks</a></i> (2003)</li>
<li><i><a href="/wiki/Agent_Cody_Banks_2:_Destination_London" title="Agent Cody Banks 2: Destination London">Agent Cody Banks 2: Destination London</a></i> (2004)</li>
<li>Air Bud series:
<ul>
<li><i><a href="/wiki/Air_Bud:_World_Pup" title="Air Bud: World Pup">Air Bud: World Pup</a></i> (2000)</li>
<li><i><a href="/wiki/Air_Bud:_Seventh_Inning_Fetch" title="Air Bud: Seventh Inning Fetch">Air Bud: Seventh Inning Fetch</a></i> (2002)</li>
<li><i><a href="/wiki/Air_Bud:_Spikes_Back" title="Air Bud: Spikes Back">Air Bud: Spikes Back</a></i> (2003)</li>
<li><i><a href="/wiki/Air_Buddies" title="Air Buddies">Air Buddies</a></i> (2006)</li>
</ul>
</li>
<li><i><a href="/wiki/Akeelah_and_the_Bee" title="Akeelah and the Bee">Akeelah and the Bee</a></i> (2006)</li>
...
</ul>
Но я не уверен, куда идти отсюда. Я программист новичков, пытающийся перейти на Python, создав script, который сбрасывает http://en.wikipedia.org/wiki/2000s_in_film и извлекает список "Название фильма (год)".
Update:
Конечный код:
lis = []
for ul in uls:
for li in ul.findAll('li'):
if li.find('ul'):
break
lis.append(li)
for li in lis:
print li.text.encode("utf-8")
If → break выдает LI, который содержит UL, так как вложенные LI теперь дублируются.
Теперь выводится вывод:
- 102 далматинцы (2000)
- 10th and Wolf (2006)
- 11:14 (2006)
- 12:08 К востоку от Бухареста (2006)
- 13 30 июля 2004 г.
- 1408 (2007)
- ...
Спасибо
Ответы
Ответ 1
.findAll()
работает для вложенных элементов li
:
for ul in uls:
for li in ul.findAll('li'):
print(li)
Вывод:
<li>List items</li>
<li>Etc...</li>
<li>List items</li>
<li>Nested list items</li>
<li>Nested list items</li>
<li>List items</li>
Ответ 2
Также возможно работать с списком.
lis = [li for ul in uls for li in ul.findAll('li')]