BeautifulSoup: Comment puis-je extraire tous les & lt; li & gt; s d'une liste de & lt; ul & gt; s qui contient des & lt; ul & gt; s imbriqués?

Mon code source ressemble:

<h3>Header3 (Start here)</h3>
<ul>
    <li>List items</li>
    <li>Etc...</li>
</ul>
<h3>Header 3</h3>
<ul>
    <li>List items</li>
    <ul>
        <li>Nested list items</li>
        <li>Nested list items</li></ul>
    <li>List items</li>
</ul>
<h2>Header 2 (end here)</h2>

J'aimerais que tous les "li" tags à la suite de la première "h3" de la balise et de s'arrêter à la prochaine "h2" balise, y compris tous imbriqués li balises.

firstH3 = soupe.find('h3')

correctement trouve l'endroit que je voudrais commencer.

firstH3 = soup.find('h3') # Start here
uls = []
for nextSibling in firstH3.findNextSiblings():
    if nextSibling.name == 'h2':
        break
    if nextSibling.name == 'ul':
        uls.append(nextSibling)

me donne une liste de ULs, chacun avec LI contenu que j'ai besoin.

EXTRAIT DE LA "uls" LISTE:

<ul>
...
    <li><i><a href="/wiki/Agent_Cody_Banks" title="Agent Cody Banks">Agent Cody Banks</a></i> (2003)</li>
    <li><i><a href="/wiki/Agent_Cody_Banks_2:_Destination_London" title="Agent Cody Banks 2: Destination London">Agent Cody Banks 2: Destination London</a></i> (2004)</li>
    <li>Air Bud series:
        <ul>
            <li><i><a href="/wiki/Air_Bud:_World_Pup" title="Air Bud: World Pup">Air Bud: World Pup</a></i> (2000)</li>
            <li><i><a href="/wiki/Air_Bud:_Seventh_Inning_Fetch" title="Air Bud: Seventh Inning Fetch">Air Bud: Seventh Inning Fetch</a></i> (2002)</li>
            <li><i><a href="/wiki/Air_Bud:_Spikes_Back" title="Air Bud: Spikes Back">Air Bud: Spikes Back</a></i> (2003)</li>
            <li><i><a href="/wiki/Air_Buddies" title="Air Buddies">Air Buddies</a></i> (2006)</li>
        </ul>
    </li>
    <li><i><a href="/wiki/Akeelah_and_the_Bee" title="Akeelah and the Bee">Akeelah and the Bee</a></i> (2006)</li>
...
</ul>

Mais je ne suis pas sûr de l'endroit où aller à partir d'ici. Je suis un débutant programmeur en essayant de sauter dans le Python par la construction d'un script qui érafle http://en.wikipedia.org/wiki/2000s_in_film et extrait une liste de "Titre du Film (Année)".

---

Mise à jour:

Code Final:

lis = []
    for ul in uls:
        for li in ul.findAll('li'):
            if li.find('ul'):
                break
            lis.append(li)

    for li in lis:
        print li.text.encode("utf-8")

La Si-->break jette de la LI qui contiennent UL depuis le imbriquée LI sont doublés.

Sortie d'impression est maintenant:

• 102 Dalmatiens(2000)
• 10 & Wolf(2006)
• 11:14(2006)
• 12:08 à l'Est de Bucarest(2006)
• 13 Going on 30(2004)
• 1408(2007)
• ...

Grâce

source d'informationauteur danneu