如何实现递归函数提取Beautiful Soup列表标签下的直接文本？

嘿，我来帮你把这个递归函数的蓝图打磨成可用的代码！你想要处理嵌套的<ul>/<ol>标签，提取每个<li>里的文本并保留嵌套结构对吧？先梳理下你原思路里的小问题，再给出调整后的完整实现：

先修正原蓝图里的几个小问题 #

• list是Python内置关键字，不能用作变量名，得换成current_list这类合法名称
• 循环遍历要精准定位当前列表的直接子<li>，避免深层嵌套元素干扰
• 判断元素是否包含子列表，要通过Beautiful Soup的查找方法，而非直接判断类型
• 提取文本时要过滤掉子列表里的内容，只保留当前<li>的直接文本节点

完整实现代码 #

from bs4 import BeautifulSoup

def extract_list_items(current_list):
    items = []
    # 只遍历当前列表的直接子li标签，不递归查找深层li
    for li in current_list.find_all('li', recursive=False):
        # 提取当前li下的直接文本（排除子列表里的文本），清理多余空格换行
        direct_text = ''.join([text.strip() for text in li.find_all(text=True, recursive=False)]).strip()
        # 检查当前li是否包含嵌套的ul/ol列表
        nested_list = li.find(['ul', 'ol'])
        
        if nested_list:
            # 既有直接文本又有嵌套列表：将文本与递归结果组合
            if direct_text:
                items.append([direct_text, extract_list_items(nested_list)])
            # 只有嵌套列表无直接文本：直接添加递归结果
            else:
                items.append(extract_list_items(nested_list))
        else:
            # 无嵌套列表：清理后文本非空才添加
            if direct_text:
                items.append(direct_text)
    return items

代码关键逻辑说明 #

• recursive=False：这个参数是核心，不管是查找<li>还是文本节点，都只处理当前节点的直接子元素，避免提前提取深层嵌套内容
• 文本清理：通过列表推导式拼接所有直接文本节点，再用strip()去除多余空格和换行，保证输出文本整洁
• 嵌套处理：遇到子列表时递归调用函数，根据当前<li>是否有直接文本，决定是组合文本与子列表结果，还是单独添加子列表结果

用你的示例测试 #

拿你给出的HTML列表测试：

<ul>
    <li>Item 1</li>
    <li>Item 2</li>
    <li>
        Item 3
        <ul>
            <li>Subitem 1</li>
            <li>Subitem 2</li>
        </ul>
        Item 3.1
    </li>
</ul>

测试代码：

html = """
<ul>
    <li>Item 1</li>
    <li>Item 2</li>
    <li>
        Item 3
        <ul>
            <li>Subitem 1</li>
            <li>Subitem 2</li>
        </ul>
        Item 3.1
    </li>
</ul>
"""

soup = BeautifulSoup(html, 'html.parser')
main_list = soup.find('ul')
result = extract_list_items(main_list)
print(result)

输出结果：

['Item 1', 'Item 2', ['Item 3Item 3.1', ['Subitem 1', 'Subitem 2']]]

额外说明 #

• 代码同时支持<ul>和<ol>标签，无需额外修改
• 如果需要保留<li>中子列表前后文本的分隔（比如把Item 3和Item 3.1分开），可以调整direct_text的生成逻辑，改成收集非空文本片段的列表
• 空的<li>（无文本也无子列表）会被自动跳过，不会出现在结果里

备注：内容来源于stack exchange，提问作者Amjuks