本文详解如何使用 BeautifulSoup 精准提取 <div> 标签中特定 class 类名（如 stat_alarm）、<span> 内容和 <h1> 数值，通过 CSS 选择器与属性解析实现结构化数据抽取。
本文详解如何使用 beautifulsoup 精准提取 `
` 标签中特定 class 类名（如 `stat_alarm`）、`` 内容和 `
` 数值，通过 css 选择器与属性解析实现结构化数据抽取。
在网页解析实践中，常需从具有复合 class 的 <div> 中分离出语义化信息：例如，class="tab_box stat_alarm" 中的 stat_alarm 表示状态类型，而 <span> 和 <h1> 分别承载指标名称与实测值。直接调用 .text 会丢失结构、合并所有文本，无法区分字段边界；而仅用 find_all("div", class_="tab_box") 又无法定位动态变化的状态类（如 stat_ok/stat_alarm）。
推荐使用 CSS 选择器 + 属性访问 + 迭代解包 的组合方案：
- 使用 soup.select("div.stat_alarm, div.stat_ok") 精确匹配含目标状态类的 <div>，避免空节点（如 <div class="tab_box"></div>）干扰；
- 通过 div.attrs["class"] 获取 class 属性列表（如 ['tab_box', 'stat_alarm']），取末尾元素 [-1] 即为状态标识；
- 利用 div.stripped_strings（返回生成器，自动去除空白并剥离标签）安全提取纯文本序列，再用解包 *div.stripped_strings 获取 <span> 和 <h1> 的内容（顺序即 DOM 顺序）；
- 最后格式化输出或存入字典/DataFrame。
from bs4 import BeautifulSoup
html = """\
<div class="tab_box stat_alarm"><span>pH [pH]</span><h1>6.9</h1></div>
<div class="tab_box stat_alarm"><span>Redox [mV]</span><h1>667</h1></div>
<div class="tab_box stat_ok"><span>Temp. [°C]</span><h1>9.5</h1></div>
<div class="tab_box"></div>"""
soup = BeautifulSoup(html, "html.parser")
for div in soup.select("div.stat_alarm, div.stat_ok"):
try:
status_class = div.attrs["class"][-1]
strings = list(div.stripped_strings)
# 确保至少有两个文本节点（span + h1）
if len(strings) >= 2:
label, value = strings[0], strings[1]
print(f"{status_class:<12} {label:<15} {value}")
except (KeyError, IndexError):
continue # 跳过 class 缺失或文本不足的异常 div注意事项：
- 若 class 顺序不固定（如 class="stat_ok tab_box"），建议改用 next(c for c in div.attrs["class"] if c.startswith("stat_")) 安全提取；
- stripped_strings 不包含注释或隐藏文本，如需更细粒度控制，可显式定位：div.find("span").get_text(strip=True) 和 div.find("h1").get_text(strip=True)；
- 对空 <div class="tab_box"></div>，select() 已过滤，但若 HTML 结构不稳定，务必添加 try/except 或长度校验；
- 生产环境建议指定解析器（如 "lxml"）提升性能与容错性：BeautifulSoup(html, "lxml")。
该方法兼顾可读性、健壮性与扩展性，是解析带状态标记的仪表盘类 HTML 的典型范式。
