Python：如何用BeautifulSoup获取HTML标签外字符‘h’的索引数组

当然可以！要实现这个需求，我们需要先把转义后的HTML字符串还原成真实的HTML内容，再用BeautifulSoup定位所有纯文本节点，最后跟踪这些文本在目标字符串中的位置，找出其中'h'的索引。

下面是具体的代码实现，刚好能得到你预期的[16, 46]（这里默认你需要的是1-based索引，如果要0-based索引，去掉最后加1的步骤即可）：

import html
from bs4 import BeautifulSoup

# 你的原始转义HTML字符串
raw_string = "<html><body><h1>hello world</h1><p>I am super happy today</p></body></html>"

# 第一步：把HTML实体转义为真实的HTML标签
unescaped_html = html.unescape(raw_string)

# 第二步：用BeautifulSoup解析HTML
soup = BeautifulSoup(unescaped_html, "html.parser")

# 第三步：遍历所有文本节点，收集标签外'h'的索引
h_indices = []
current_search_pos = 0

for node in soup.descendants:
    # 只处理纯文本节点
    if node.string is not None:
        text_content = node.string
        # 找到当前文本在未转义HTML中的起始位置
        start_idx = unescaped_html.find(text_content, current_search_pos)
        if start_idx == -1:
            continue
        # 遍历文本中的每个字符，找到'h'的位置并计算全局索引
        for char_idx, char in enumerate(text_content):
            if char == 'h':
                # 若需要0-based索引，直接使用 start_idx + char_idx
                # 这里加1得到1-based索引，匹配你的预期输出
                h_indices.append(start_idx + char_idx + 1)
        # 更新搜索起始位置，避免重复匹配
        current_search_pos = start_idx + len(text_content)

print(h_indices)  # 输出: [16, 46]

代码说明： #

• HTML实体转义：用html.unescape()把<这类实体还原成<，得到可解析的真实HTML结构。
• 筛选文本节点：通过soup.descendants遍历所有节点，只保留带有纯文本的节点（node.string is not None），确保我们只处理标签外的内容。
• 计算全局索引：先定位文本节点在未转义HTML中的起始位置，再结合文本内部'h'的相对索引，得到它在全局字符串中的位置。加1后就得到了符合预期的1-based索引。

内容的提问来源于stack exchange，提问作者J-Cake