如何按顺序拼接p标签并将table标签独立存入列表？代码问题排查

原代码问题分析 #

• 每次循环都新建content_dict，导致每个P标签内容无法累积拼接
• 使用descendants遍历会获取所有嵌套节点，可能引入冗余内容
• 循环结束后未处理剩余的P标签内容

修正后的代码 #

from bs4 import BeautifulSoup
import html2text
import json

converter = html2text.HTML2Text()
soup = BeautifulSoup(data3, 'html.parser')
content_items = []
current_p_content = ""  # 临时存储连续的P标签内容
title = "35.23.060 - DR Zone Standards"

# 按文档顺序遍历所有顶层的p和table标签
for tag in soup.find_all(['p', 'table'], recursive=False):
    if tag.name == 'p':
        # 拼接当前P标签的转换后内容
        current_p_content += converter.handle(str(tag))
    elif tag.name == 'table':
        # 如果有累积的P内容，先存入列表
        if current_p_content.strip():
            content_items.append({'Title': title, 'Content': current_p_content.strip()})
            current_p_content = ""  # 清空临时容器
        # 将Table作为独立项存入
        content_items.append({'Title': title, 'Content': converter.handle(str(tag))})

# 处理循环结束后剩余的P内容
if current_p_content.strip():
    content_items.append({'Title': title, 'Content': current_p_content.strip()})

# 打印结果
print(json.dumps(content_items, indent=4))

关键改进点 #

• 用current_p_content临时变量累积连续P标签内容，实现拼接效果
• 使用find_all(['p', 'table'], recursive=False)获取顶层目标标签，避免嵌套节点干扰
• 循环结束后检查剩余P内容，防止遗漏
• 加入strip()处理内容前后空白，避免无效空项

内容的提问来源于stack exchange，提问作者Simon Palmer