[Python] Identificar e separar textos em uma página HTML sem um padrão definido [fechada]

Estou extraindo textos de uma página HTML usando Python e Selenium. O desafio é que os textos estão agrupados por nome de pessoa, mas não há delimitadores claros para identificar onde termina o texto de uma pessoa e começa o de outra.

Os textos estão dentro de uma <div> e separados por <p>, mas sua estrutura varia, tornando difícil generalizar. Já tentei buscar padrões como nomes ou palavras-chave ("Nome"), mas isso não resolve de forma genérica. Há alguma abordagem eficiente, como o uso de expressões regulares ou processamento de linguagem natural (NLP), para lidar com essa situação?

Tendo em vista..., apresentado por [Fulano], CNPJ: [CNPJ Anônimo]..., conforme abaixo:

• Outra parte do texto[Número de Requerimento Anônimo].

Extrato nº. [Número Anônimo]

À vista do...

Fica outorgada, em nome de [Ciclano], CNPJ: [CNPJ Anônimo]...conforme abaixo identificado:

• 
  Qualquer outro texto[Nome do Córrego Anônimo].
  
  
• 
  Outra parte do texto[Número de Requerimento Anônimo].
  

Extrato de... [Número Anônimo]

Informe de Indeferimento

Referência:

• 
  Interessado: [nome]
  
  
• 
  CPF/CNPJ: [numero]
  
  
• 
  Localização: [localização]
  
  
• 
  Município: [municipio],conforme abaixo:
  
  
• 
  Outra parte do texto[Número de Requerimento Anônimo].
  

Extrato de [nome do tipo do extrato]/ Diretoria [local]/ n. [Número Anônimo]
​

Qualquer ideia ou abordagem seria de grande ajuda!

Continue reading...