解析HTML提取指定内容：获取图片src及标签后文本

如何提取指定内容中的 src属性和caption文本？ #

嘿，搞定这个解析需求很简单！针对你提供的这段包含HTML标签的WordPress短代码，我用Python的BeautifulSoup库来实现提取，步骤清晰又靠谱。

首先先看一下待解析的原始内容：

[caption id="attachment_16734" align="aligncenter" width="672"]<a href="http://myeduplus.it/wp-content/uploads/2017/12/consumatori.jpg"><img class="wp-image-16734 size-full" src="http://myeduplus.it/wp-content/uploads/2017/12/consumatori.jpg" alt="" width="672" height="480" /></a> La mucca: consumatore primario o erbivoro[/caption]

解决方案代码 #

首先确保你已经安装了beautifulsoup4库，如果没装的话先运行：

pip install beautifulsoup4

然后用以下代码提取信息：

from bs4 import BeautifulSoup

# 原始待解析内容
raw_content = '''
[caption id="attachment_16734" align="aligncenter" width="672"]<a href="http://myeduplus.it/wp-content/uploads/2017/12/consumatori.jpg"><img class="wp-image-16734 size-full" src="http://myeduplus.it/wp-content/uploads/2017/12/consumatori.jpg" alt="" width="672" height="480" /></a> La mucca: consumatore primario o erbivoro[/caption]
'''

# 将WordPress短代码的方括号替换为尖括号，让解析器可识别
parsable_html = raw_content.replace('[', '<').replace(']', '>')

# 初始化BeautifulSoup解析器
soup = BeautifulSoup(parsable_html, 'html.parser')

# 提取img标签的src属性
img_tag = soup.find('img')
img_src = img_tag['src'] if img_tag else '未找到目标img标签'

# 提取caption内的目标文本（自动过滤空白和无关空文本）
caption_tag = soup.find('caption')
caption_text = ' '.join([text.strip() for text in caption_tag.stripped_strings])

# 输出结果
print("提取结果：")
print(f"图片地址（img src）：{img_src}")
print(f"Caption文本：{caption_text}")

运行结果 #

提取结果：
图片地址（img src）：http://myeduplus.it/wp-content/uploads/2017/12/consumatori.jpg
Caption文本：La mucca: consumatore primario o erbivoro

关键说明 #

• 因为原始内容是WordPress的短代码格式（用方括号包裹caption），不是标准HTML，所以我们先做了方括号转尖括号的处理，让BeautifulSoup能正确解析标签结构。
• stripped_strings方法会遍历标签下所有非空白的文本节点，自动忽略掉a/img标签里的空内容，精准提取到我们需要的caption文本。
• 如果是标准HTML的<caption>标签，直接跳过方括号替换步骤即可。

内容的提问来源于stack exchange，提问作者cancer