我正在使用 python 2.7，我有一个包含 html 页面列表的文件夹，我只想从中提取单词。目前，我正在使用的过程是打开 html 文件，通过漂亮的汤库运行它，获取文本并将其写入新文件。但这里的问题是我仍然在输出中得到 javascript、css(body、colour、#000000 .etc)、符号(|、`、~、[] .etc)和随机数。
如何去除不需要的输出并只获取文本？
path = *folder path*
raw = open(path + "/raw.txt", "w")
files = os.listdir(path)
for name in files:
fname = os.path.join(path, name)
try:
with open(fname) as f:
b = f.read()
soup = BeautifulSoup(b)
txt = soup.body.getText().encode("UTF-8")
raw.write(txt)
最佳答案
可以去除脚本和样式标签
import requests
from bs4 import BeautifulSoup
session = requests.session()
soup = BeautifulSoup(session.get('http://stackoverflow.com/questions/27684020/extracting-only-words- from-html-pages').text)
#This part here will strip out the script and style tags.
for script in soup(["script", "style"]):
script.extract()
print soup.get_text()
关于javascript - 仅从 html 页面中提取单词，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27684020/