BeautifulSoup para extraer el texto entre los saltos de línea (por ejemplo, <br /> etiquetas)

Question

tengo el siguiente código HTML que está dentro de un documento más grande

<br /> 
Important Text 1 
<br /> 
<br /> 
Not Important Text 
<br /> 
Important Text 2 
<br /> 
Important Text 3 
<br /> 
<br /> 
Non Important Text 
<br /> 
Important Text 4 
<br /> 

Actualmente estoy usando BeautifulSoup para obtener otros elementos dentro del HTML, pero no han podido encontrar una forma de obtener las líneas de texto importantes entre las etiquetas <br />. Puedo aislar y navegar a cada uno de los elementos <br />, pero no puedo encontrar la manera de obtener el texto intermedio. Cualquier ayuda sería muy apreciada. Gracias.

Answer 1

Si lo que desea es cualquier texto que se encuentra entre dos <br /> etiquetas, se puede hacer algo como lo siguiente:

from BeautifulSoup import BeautifulSoup, NavigableString, Tag 

input = '''<br /> 
Important Text 1 
<br /> 
<br /> 
Not Important Text 
<br /> 
Important Text 2 
<br /> 
Important Text 3 
<br /> 
<br /> 
Non Important Text 
<br /> 
Important Text 4 
<br />''' 

soup = BeautifulSoup(input) 

for br in soup.findAll('br'): 
    next_s = br.nextSibling 
    if not (next_s and isinstance(next_s,NavigableString)): 
     continue 
    next2_s = next_s.nextSibling 
    if next2_s and isinstance(next2_s,Tag) and next2_s.name == 'br': 
     text = str(next_s).strip() 
     if text: 
      print "Found:", next_s 

Pero tal vez me malinterprete su pregunta? Su descripción del problema no parece coincidir con la "importante"/"no importante" en los datos de su ejemplo, así que me he ido con la descripción;)

Answer 2

Por lo tanto, para fines de prueba, supongamos que este fragmento de HTML está dentro de una etiqueta span:

x = """<span><br /> 
Important Text 1 
<br /> 
<br /> 
Not Important Text 
<br /> 
Important Text 2 
<br /> 
Important Text 3 
<br /> 
<br /> 
Non Important Text 
<br /> 
Important Text 4 
<br /></span>""" 

Ahora voy a analizar y encontrar mi etiqueta span:

from BeautifulSoup import BeautifulSoup 
y = soup.find('span') 

Si iterar sobre el generador en y.childGenerator(), obtendrá tanto el br's como el texto:

In [4]: for a in y.childGenerator(): print type(a), str(a) 
    ....: 
<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Important Text 1 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Not Important Text 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Important Text 2 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Important Text 3 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Non Important Text 

<type 'instance'> <br /> 
<class 'BeautifulSoup.NavigableString'> 
Important Text 4 

<type 'instance'> <br /> 

Answer 3

Los siguientes trabajó para mí:

for br in soup.findAll('br'): 
    if str(type(br.contents[0])) == '<class \'BeautifulSoup.NavigableString\'>': 
     print br.contents[0]