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')]