Python,BeautifulSoup - <div> text和<img>属性的顺序正确

Question

我有一小段HTML,我想通过BeautifulSoup运行.我已经有了基本的导航功能,但这个让我很难过.

这是HTML的一个示例(完全构成):

<div class="textbox">
    Buying this item will cost you 
    <img align="adsbottom" alt="1" src="/1.jpg;type=symbol"/>
    silver credits and
    <img align="adsbottom" alt="1" src="/1.jpg;type=symbol"/>
    golden credits
</div>

使用img标签的'alt'属性我希望看到以下结果: 购买此项目将花费您1银奖和1金奖

我不知道如何顺序循环遍历div-tag.我可以执行以下操作来提取div-tag中包含的所有文本

html = BeautifulSoup(string)
print html.get_text()

获取div标签中包含的所有文本,但这会给我这样的结果: 购买此项目将花费您银奖和金币

同样,我可以通过这样做从img-tags获取alt属性的值:

html = BeautifulSoup(string).img
print html['alt']

但当然这只给了我属性值.

如何以正确的顺序迭代所有这些元素？是否可以按连续顺序读取div元素中的文本和img-element的属性？

Answer 1

您可以遍历标记的所有子项,包括文本; 测试他们的类型,看看他们是Tag或NavigableString对象:

from bs4 import Tag

result = []
for child in html.find('div', class_='textbox').children:
    if isinstance(child, Tag):
        result.append(child.get('alt', ''))
    else:
        result.append(child.strip())

print ' '.join(result)

演示:

>>> from bs4 import BeautifulSoup, Tag
>>> sample = '''\
... <div class="textbox">
...     Buying this item will cost you 
...     <img align="adsbottom" alt="1" src="/1.jpg;type=symbol"/>
...     silver credits and
...     <img align="adsbottom" alt="1" src="/1.jpg;type=symbol"/>
...     golden credits
... </div>
... '''
>>> html = BeautifulSoup(sample)
>>> result = []
>>> for child in html.find('div', class_='textbox').children:
...     if isinstance(child, Tag):
...         result.append(child.get('alt', ''))
...     else:
...         result.append(child.strip())
... 
>>> print ' '.join(result)
Buying this item will cost you 1 silver credits and 1 golden credits