如何用BeautifulSoup提取HTML中content与后续标签间的文本？

用Python的BeautifulSoup库就能搞定这个需求，步骤和代码如下：

首先安装依赖：

pip install beautifulsoup4

核心思路 #

1. 解析HTML内容，定位到包含content：的<strong>标签所在的<p>块
2. 从这个<p>块开始，遍历后续所有同级<p>元素
3. 收集每个<p>的文本，直到遇到下一个包含带冒号的标题（比如time：、location：这类）的<p><strong>块为止

示例代码 #

from bs4 import BeautifulSoup

# 替换成你的实际HTML内容
html = """
<p><strong> name：</strong></p>
<p> sdfsdf </p>
<p><strong> content：</strong></p>
<p> yangben</p>
<p> dsfs </p>
<p> dfsds </p>
<p> sdfs </p>
<p><strong> time：</strong></p>
<p> 2020-10-10</p>
<p><strong> ll：</strong></p>
<p> 2020-10-10</p>
"""

soup = BeautifulSoup(html, 'html.parser')

# 定位content标题块
content_header = soup.find('strong', string=lambda t: t and 'content：' in t.strip())
if not content_header:
    print("找不到content对应的标题块")
else:
    current_p = content_header.parent
    result = []
    
    # 遍历后续兄弟p元素
    for sibling in current_p.find_next_siblings('p'):
        # 检查是否是下一个标题块（带冒号的strong）
        strong = sibling.find('strong')
        if strong and ':' in strong.text.strip():
            break
        # 提取非空文本
        text = sibling.text.strip()
        if text:
            result.append(text)
    
    # 输出结果
    print("提取到的内容：")
    for line in result:
        print(line)

代码说明 #

• 用lambda表达式匹配content：，能忽略文本前后的空格，避免匹配失败
• 判断停止条件时，只要遇到带冒号的<strong>标题就停止，兼容time、location等任何同类标签
• 自动过滤空文本，只保留有效内容

运行结果 #

提取到的内容：
yangben
dsfs
dfsds
sdfs

内容的提问来源于stack exchange，提问作者Lei Hao