如何让Beautiful Soup提取包含HTML格式标签的文本？

问题出在你使用了.text属性——这个方法会提取节点的纯文本内容，自动剥离所有HTML标签。要保留格式标签，你需要获取兄弟节点的原始HTML代码，而不是纯文本。

你可以直接将每个兄弟节点转换为字符串（BeautifulSoup会自动将节点转为对应的HTML代码），修改后的代码如下：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')  # 建议显式指定解析器

for e in soup.select('b'): 
    formatted_content = ''
    for sib in e.next_siblings:
        formatted_content += str(sib)

或者用更简洁的生成器表达式拼接：

for e in soup.select('b'):
    formatted_content = ''.join(str(sib) for sib in e.next_siblings)

关键说明 #

• str(sib)：将单个兄弟节点（包括其自身标签、子标签以及文本内容）完整转换为HTML字符串，比如<font color="red">示例<sup>文本</sup></font>会被完整保留。
• 如果你只需要节点内部的HTML内容（不包含节点自身的标签），可以改用sib.decode_contents()方法，比如对于上面的节点，会返回示例<sup>文本</sup>。

内容的提问来源于stack exchange，提问作者user16950345