Python多重复HTML标签爬取求助：按关联类整理输出

可以用Python的BeautifulSoup库处理这种按顺序关联不同class标签的场景，核心思路是按标签出现的顺序遍历，把class_1标签作为分组标识，收集后续所有class 2的文本直到下一个class_1出现，具体代码如下：

from bs4 import BeautifulSoup

# 待解析的HTML内容
html_content = '''
<span class="class_1">1</span>
<span class="class 2">text one</span>
<span class="class_1">2</span>
<span class="class 2">text two</span>
<span class="class 2">text two b</span>
<span class="class 2">text two c</span>
<span class="class_1">3</span>
<span class="class 2">text three</span>
'''

soup = BeautifulSoup(html_content, 'html.parser')
spans = soup.find_all('span')

current_num = None
current_texts = []

for span in spans:
    # 处理分组标识的class_1标签
    if 'class_1' in span.get('class', []):
        # 若已有未输出的分组内容，先打印
        if current_num is not None:
            print(f"{current_num} {' '.join(current_texts)}")
        # 更新当前编号，重置文本收集列表
        current_num = span.get_text(strip=True)
        current_texts = []
    # 处理需要收集的class 2标签
    elif 'class 2' in span.get('class', []):
        current_texts.append(span.get_text(strip=True))

# 打印最后一组内容
if current_num is not None and current_texts:
    print(f"{current_num} {' '.join(current_texts)}")

代码说明 #

• 按HTML中标签的原始顺序遍历所有<span>元素
• 遇到class_1标签时，先输出上一组的编号和收集到的文本（如果存在），然后更新当前编号并清空文本列表
• 遇到class 2标签时，将其文本加入当前文本收集列表
• 循环结束后，处理最后一组未输出的内容

运行代码后会得到你期望的输出：

1 text one
2 text two text two b text two c
3 text three

内容的提问来源于stack exchange，提问作者Ruben