Ausschneiden/Slicing eines HTML-Dokuments in Stücke mit BeautifulSoup?

Question

ich ein HTML-Dokument haben, wie folgt:

<h1> Name of Article </h2> 
<p>First Paragraph I want</p> 
<p>More Html I'm interested in</p> 
<h2> Subheading in the article I also want </h2> 
<p>Even more Html i want to pull out of the document.</p> 
<h2> References </h2> 
<p>Html I do not want...</p> 

I Referenzen müssen nicht aus dem Artikel, möchte ich das Dokument in der zweiten h2-Tag schneiden.

Natürlich kann ich eine Liste von h2-Tags wie so finden:

soup = BeautifulSoup(html) 
soupset = soup.find_all('h2') 
soupset[1] #this would get the h2 heading 'References' but not what comes before it 

Ich will nicht eine Liste der h2-Tags erhalten, mag ich das Dokument direkt an dem zweiten h2-Tag in Scheiben schneiden und behalte den obigen Inhalt in einer neuen Variable. Grundsätzlich ist die gewünschte Ausgabe ich will, ist:

<h1> Name of Article </h2> 
<p>First Paragraph I want<p> 
<p>More Html I'm interested in</p> 
<h2> Subheading in the article I also want </h2> 
<p>Even more Html i want to pull out of the document.</p> 

Was ist der beste Weg, dies zu tun aboout „Slicing“/Schneiden des HTML-Dokuments zu gehen, anstatt einfach Tags zu finden und outputing die Tags selbst?

Answer 1

können Sie remove/extract jedes Geschwisterelement des "References" Element und das Element selbst:

import re 
from bs4 import BeautifulSoup 

data = """ 
<div> 
    <h1> Name of Article </h2> 
    <p>First Paragraph I want</p> 
    <p>More Html I'm interested in</p> 
    <h2> Subheading in the article I also want </h2> 
    <p>Even more Html i want to pull out of the document.</p> 
    <h2> References </h2> 
    <p>Html I do not want...</p> 
</div> 
""" 
soup = BeautifulSoup(data, "lxml") 

references = soup.find("h2", text=re.compile("References")) 
for elm in references.find_next_siblings(): 
    elm.extract() 
references.extract() 

print(soup) 

Drucke:

<div> 
    <h1> Name of Article</h1> 
    <p>First Paragraph I want</p> 
    <p>More Html I'm interested in</p> 
    <h2> Subheading in the article I also want </h2> 
    <p>Even more Html i want to pull out of the document.</p> 
</div> 

Answer 2

Sie können die Position des h2 im String finden und dann Finden Sie einen Teilstring von ihm:

last_h2_tag = str(soup.find_all("h2")[-1]) 
html[:html.rfind(last_h2_tag) + len(last_h2_tag)]