使用BeautifulSoup从非结构化HTML中提取指定联系人字段的技术求助

我明白你的困扰：非结构化的HTML确实难处理，你之前用索引找邮箱的方法不够可靠，而且只能拿到"Email:"文本，拿不到实际的邮箱地址。下面给你一个更健壮的实现思路和代码：

from bs4 import BeautifulSoup
html = """
<p>
<strong> Robert Romanoff </strong>
<br/>
146 West 29th Street, Suite 11W
<br/>
New York, New York 10001
<br/>
Telephone: (718) 527-1577
<br/>
Fax: (718) 276-8501
<br/>
Email: <a href=\"mailto:robert@absol.com\"> robert@absol.com </a>
<br/>
Additional Contact: William Locantro
<br/>
Email: <a href=\"mailto:bill@absol.com\"> bill@absol.com </a>
</p>
"""
soup = BeautifulSoup(html,"lxml")
container = soup.select_one("p")

# 提取主联系人姓名：结构固定，直接取strong标签内容
contact_name = container.strong.text.strip()

# 提取主联系人邮箱：找到第一个带"Email:"的文本节点，再取后面的a标签文本
contact_email = None
first_email_label = container.find(string=lambda t: t and "Email:" in t.strip())
if first_email_label:
    contact_email = first_email_label.find_next("a").text.strip()

# 提取附加联系人姓名：定位"Additional Contact:"标签，剥离后取姓名
additional_contact = None
add_contact_label = container.find(string=lambda t: t and "Additional Contact:" in t.strip())
if add_contact_label:
    additional_contact = add_contact_label.strip().replace("Additional Contact:", "").strip()

# 提取附加联系人邮箱：从附加联系人标签往后找下一个Email节点，再取对应a标签
additional_email = None
if add_contact_label:
    next_email_label = add_contact_label.find_next(string=lambda t: t and "Email:" in t.strip())
    if next_email_label:
        additional_email = next_email_label.find_next("a").text.strip()

print(contact_name, contact_email, additional_contact, additional_email)

为什么这个方法更可靠？ #

• 不再依赖索引：原来用[0]、[1]取邮箱的方式，一旦HTML里的内容顺序变化（比如附加联系人在主邮箱前面）就会出错，现在通过节点的find_next来关联，逻辑更清晰。
• 准确获取邮箱地址：实际邮箱在<a>标签里，所以找到"Email:"文本节点后，直接取它后面的<a>标签文本，就能拿到真实的邮箱，而不是"Email:"这个标题。
• 容错性强：每个字段都加了判断，如果某个字段不存在（比如没有附加联系人），代码不会报错，只会返回None，更适合实际场景。

运行这段代码后，输出就是你想要的：

Robert Romanoff robert@absol.com William Locantro bill@absol.com

内容的提问来源于stack exchange，提问作者MITHU