我正在尝试使用 Beautifuloup 提取 html 标签并删除文本。以这个 html 为例:
html_page = """
<html>
<body>
<table>
<tr class=tb1><td>Lorem Ipsum dolor Sit amet</td></tr>
<tr class=tb1><td>Consectetuer adipiscing elit</td></tr>
<tr><td>Aliquam Tincidunt mauris eu Risus</td></tr>
<tr><td>Vestibulum Auctor Dapibus neque</td></tr>
</table>
</body>
</html>
"""
期望的结果是:
<html>
<body>
<table>
<tr><td></td></tr>
<tr><td></td></tr>
<tr><td></td></tr>
<tr><td></td></tr>
</table>
</body>
</html>
这是我到目前为止所得到的:
def get_tags(soup):
copy_soup = soup
for tag in copy_soup.findAll(True):
tag.attrs = {} # removes attributes of a tag
tag.string = ''
return copy_soup
print get_tags(soup)
使用 tag.attrs = {} 可删除所有标签属性。但是当我尝试使用 tag.string 或 tag.clear() 时，我只剩下 <html></html> 。我知道可能发生的情况是在使用 tag.string 的第一次迭代中或tag.clear()正在删除 html 标签内的所有内容。
我不确定如何解决这个问题。也许首先递归地删除子项中的文本？还是我缺少更简单的方法？
最佳答案
实际上，我可以通过递归更新标签“children's”来删除文本。您还可以在递归中更新它们的属性。
from bs4 import BeautifulSoup
from bs4.element import NavigableString
def delete_displayed_text(element):
"""
delete displayed text from beautiful soup tag element object recursively
:param element: beautiful soup tag element object
:return: beautiful soup tag element object
"""
new_children = []
for child in element.contents:
if not isinstance(child, NavigableString):
new_children.append(delete_displayed_text(child))
element.contents = new_children
return element
if __name__ =='__main__':
html_code_sample = '<div class="hello">I am not supposed to be displayed<a>me neither</a></div>'
soup = BeautifulSoup(html_code_sample, 'html.parser')
soup = delete_displayed_text(soup)
cleaned_soup = BeautifulSoup(str(soup), 'html.parser')
print(cleaned_soup.getText())
关于python - 美丽汤提取物标签删除文字，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/41641040/