使用beautifulsoup分隔由`分隔的字符串 `

Question

我想从使用<br>的网站获取一些数据。在使用beautifulsoup4解析的html中，有时我有以下模式：

"<p class=some_class>text_1. text_2 (text_3<span class=GramE>)</span> 
<br> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>"

但如果网站以更好的方式编写，它看起来像：

"<p class=some_class>text_1. text_2(text_3<span class=GramE>)</span 
</p> <p class=some_class>
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>

要提取我想要的字符串，我会提取每个<p>中的所有文本。但是，现在我要分离的字符串由<br>分隔。

我的问题如下：我如何使用<br>来解开我感兴趣的字符串部分？我的意思是，我想要像[text_1.+text_2+text_3, text_4+text_5.]这样的东西。

我明确询问<br>的使用，因为我发现的唯一元素是分隔我感兴趣的字符串。此外，在网站的其他部分，我有<br/>分离我感兴趣的字符串，而不是<br>。

我无法通过使用replace（）函数来解决这个问题，因为我的对象是标签froom bs4。另外，使用bs4中的find（“br”）给我“<br/>”而不是我想要的文字。通过这种方式，这个question的答案并不完全是我想要的。我认为一种方法是将标签从bs4转换为html，然后使用replace（）函数更改“<br/>”，最后将其转换回bs4元素。但是，我不知道如何进行此更改，我还想知道是否有更简单，更短的方法来执行此操作。

Answer 1

这是我发现的一个解决方案，但由于它没有使用bs4的任何功能，所以它很长且效率很低。虽然，它有效。

html_doc = """
"<p class=some_class>text_1. text_2 (text_3<span class=GramE>)</span> 
<br> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'> 
</span>text_5.</p>"
"""

def replace_br(soup_object):
    html1=str(soup_object)
    html1=html1.replace("<br>", "</p> <p>")
    soup_html1 = BeautifulSoup(html1, 'html.parser')
    return soup_html1.find_all("p")

replace_br(html_doc)
[<p class="some_class">text_1. text_2 (text_3<span class="GramE">)</span>
</p>, <p> 
text_4,<span style='mso-fareast-font-family:"Arial Unicode MS"'>
</span>text_5.</p>]