我正在尝试使用 BeautifulSoup 制作一个通用的刮刀,我正在尝试检测在其下可直接使用文本的标签。
考虑这个例子:
<body>
<div class="c1">
<div class="c2">
<div class="c3">
<div class="c4">
<div class="c5">
<h1> A heading for section </h1>
</div>
<div class="c5">
<p> Some para </p>
</div>
<div class="c5">
<h2> Sub heading </h2>
<p> <span> Blah Blah </span> </p>
</div>
</div>
</div>
</div>
</div>
</body>
这里我的目标是提取 (div with class c4) 因为它包含所有文本内容。 c1 - c3 之前的 div 的其余部分对我来说只是包装。
我提出的一种识别节点的可能方法是:
if node.find(re.compile("^h[1-6]"), recursive=False) is not None:
return node.parent.parent
但对于本例来说太具体了。
是否有任何优化方法可以在一级递归中查找文本。即如果我做类似的事情
node.find(text=True, recursion_level=1)
那么它应该返回仅考虑直系子代的文本。
到目前为止我的解决方案,不确定是否适用于所有情况。
def check_for_text(node):
return node.find(text=True, recursive=False)
def check_1_level_depth(node):
if check_for_text(node):
return check_for_text(node)
return map(check_for_text, node.children)
对于上面的代码:node是当前正在检查的soup的一个元素,即div、span等。 请假设我正在处理 check_for_text() 中的所有异常(AttributeError: 'NavigableString')
最佳答案
结果我必须编写一个递归函数来消除具有单个子项的标签。这是代码:
# Pass soup.body in following
def process_node(node):
if type(node) == bs4.element.NavigableString:
return node.text
else:
if len(node.contents) == 1:
return process_node(node.contents[0])
elif len(node.contents) > 1:
return map(process_node, node.children)
到目前为止,它运行良好且快速。
关于python - BeautifulSoup 删除嵌套标签,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19324530/