使用Beautiful Soup仅按<br>标签拆分段落，stripped_strings无法满足需求的解决方案

嘿，我完全懂你的困扰——stripped_strings虽然方便，但它会把所有独立的文本节点拆分开，哪怕这些文本属于同一个<br>分段里的不同子标签（比如你例子里的<font>和后面的COAT），所以才会出现RT和COAT被分成两行的情况。咱们要做的是把<br>作为唯一分隔符，把每个<br>之间的所有文本（不管嵌套在什么子标签里）合并成完整的一行。

下面给你两种可行的解决方案，你可以根据自己的HTML结构选更合适的：

方法一：直接遍历节点，按<br>分组合并文本 #

这种方法适合HTML结构稍复杂的场景，能精准控制每个分段的文本合并：

from bs4 import BeautifulSoup
import requests

pages = ['https://terminology.collectionstrust.org.uk/British-Museum-objects/Obthesa1.htm']
b = 1

for bp in pages:
    response = requests.get(bp)
    html = response.text
    soup = BeautifulSoup(html, "lxml")
    for blockquote in soup.find_all('blockquote'):
        # 获取当前blockquote对应的前置p标签文本
        prev_p = blockquote.find_previous('p')
        prev_text = prev_p.text.strip() if prev_p else ""
        # 定位到blockquote里的内容容器p标签
        p_container = blockquote.find('p')
        if not p_container:
            continue
        
        current_line = []
        # 遍历p标签下的所有子节点
        for node in p_container.contents:
            # 遇到<br>就结束当前行，输出合并后的文本
            if node.name == 'br':
                if current_line:
                    line_text = ''.join(current_line).strip()
                    if line_text:
                        print(b, prev_text, line_text)
                    current_line = []
            else:
                # 非<br>节点，提取所有文本（包括子标签里的）加入当前行
                node_text = node.get_text(strip=True)
                if node_text:
                    current_line.append(node_text)
        # 处理最后一个分段（可能没有<br>结尾）
        if current_line:
            line_text = ''.join(current_line).strip()
            if line_text:
                print(b, prev_text, line_text)
        b += 1

代码说明： #

1. 不再依赖stripped_strings遍历所有文本，而是直接遍历<p>标签的子节点。
2. 遇到<br>就把之前收集的所有文本拼接成一行，输出后重置收集容器。
3. 对于非<br>的节点，用get_text(strip=True)提取它包含的所有文本（不管嵌套多少层子标签），加入当前行的收集列表。

方法二：替换<br>为换行符，再拆分文本 #

如果你的HTML结构比较规范（所有<br>都是直接放在<p>下，没有嵌套在其他标签里），这种方法更简洁：

from bs4 import BeautifulSoup
import requests

pages = ['https://terminology.collectionstrust.org.uk/British-Museum-objects/Obthesa1.htm']
b = 1

for bp in pages:
    response = requests.get(bp)
    html = response.text
    soup = BeautifulSoup(html, "lxml")
    for blockquote in soup.find_all('blockquote'):
        prev_p = blockquote.find_previous('p')
        prev_text = prev_p.text.strip() if prev_p else ""
        p_container = blockquote.find('p')
        if not p_container:
            continue
        
        # 把所有<br>标签替换成换行符
        for br in p_container.find_all('br'):
            br.replace_with('\n')
        # 提取所有文本，按换行拆分，过滤空行
        lines = [line.strip() for line in p_container.get_text().split('\n') if line.strip()]
        # 输出每一行
        for line in lines:
            print(b, prev_text, line)
        b += 1

代码说明： #

1. 先把<p>里的所有<br>替换成换行符\n，这样原来的分段就变成了文本里的换行分隔。
2. 用get_text()提取<p>的所有文本（自动合并所有子标签的文本），再按换行符拆分，最后过滤掉空行就得到了我们要的每一行。

这两种方法都能得到你想要的结果：

2 ABAYAH RT CLOAK
2 ABAYAH RT COAT
2 ABAYAH BT GARMENT
2 ABAYAH NP ABBA

内容来源于stack exchange