BeautifulSopu4 滅茶苦茶なDOMでのテキスト取得の仕方が分かりません

Question

実現したいこと

DOMが結構滅茶苦茶なサイトのテキストをBeautiful Soupで取得したいのですが、どういう風にすればいいのかが皆目見当もつきません。
知恵をお貸しいただければと思います。

対象のDOM

<span class="class名">
  <img src="url"/>
  取得したいテキスト
  <b>
    <span class="class名">
      テキスト
    </span>
  </b>
  <img class="クラス名" src="url" title="代替テキスト"/>
  取得したいテキスト
  <b>
    <span class="クラス名">
　　  テキスト
    </span>
  </b>
  <img class="クラス名" src="URL名" title="代替テキスト"/>
  取得したいテキスト
  <img class="クラス名" src="url" title="代替テキスト"/>
  取得したいテキスト
  <img class="クラス名" src="url" title="代替テキスト"/>
  <b>
    <span class="クラス名">
      テキスト
    </span>
  </b>
  <img class="クラス名" src="url" title="代替テキスト"/>
</span>

DOMはpythonでの出力結果ではなく、DOMが分かりやすいように私が編集しています

###前提・試した事
パーサは以下の２種類を試しましたがDOMの内容は変わらず滅茶苦茶なままでした。
1.Python’s html.parser
2.html5lib

また、Beautiful Soup 4.2.0 Doc. 日本語訳 (2013-11-19最終更新) も読んでおりますが実現したい事を出来る機能も見当たりませんでした。

##バージョン

python : 3.9.5
Beautiful Soup : 4.9.3

###現状
取得したいテキスト前に「/>」、後には「<」が必ずあるため、
正規表現の様な形で取得できるのではないか？と言う考えがありますが、前項でも話したように、それを実現できる機能が見当たらず途方にくれている状態です。

ご回答宜しくお願いします。

Comments

[otn]

「滅茶苦茶」とはどの部分のことを言っていますか？ぱっとみちゃんとしてそうですが。

Answer 1

img要素の次にあるテキストコンテントを取得したい、という要件であるという前提で回答します。

手法

find_allでimg要素が全て取得できます。
そして、指定の要素の「次の要素」を取得する next_element を使うと、img要素と次に出てくるタグの間にあるテキストが取得できます。

ドキュメントにもちゃんと記載されています。
http://kondou.com/BS4/#next-element-previous-element

検証

質問文のHTMLコードが html に入っているとして、

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, "html.parser")
for e in soup.find_all("img"):
  print(e.next_element.strip())

結果

取得したいテキスト
取得したいテキスト
取得したいテキスト
取得したいテキスト