html - 拒绝 BeautifulSoup 中的一些 HTML 标签

Question

我知道这可能很简单，但我找不到正确的方法来处理它。 我有一个 HTML 文档，我想提取其内容。本文档正文为:

<div class="articleContent">
        <div class="dateblock">
            <div class="textsize">
                <span class="textsize_label">
                    Font Size</span> <a href="javascript:decreaseFontSize();"
                        title="Increase font-size" class="txtsizeminus"><span>-</span></a> <a href="javascript:increaseFontSize();"
                            title="Increase font-size" class="txtsizeplus"><span>+</span></a>
            </div>

            <p class="article_date">
                Last Update: date
            </p>
        </div>
        <div id="ctl00_ctl00_cpAB_cp1_cbcContentBreak">
<div class="zoomMe">
        <P>The Content is here</p>
</div>

我想要的是文档的内容，而不是“字体大小”和“上次更新”等其他信息。但由于所有这些信息都是“articleContent”的子项，我不知道如何摆脱它们。 我必须注意，由于这些附加信息可能会从一个文档更改为另一个文档，因此我无法使用简单的正则表达式将它们从最终字符串中删除。我必须在处理 HTML 文件时将它们过滤掉。 我必须补充一点，我正在使用以下命令来提取文档的这一部分及其内容:

body = soup.find("div", {"class":"articleContent"})
pars= [s for s in body.strings if s.strip() != '']

那么，问题是如何避免在“pars”数组中包含这些附加信息？

有什么想法吗？ 谢谢

Answer 1

您是否尝试过只查找您想要的特定标签？

desired_div = soup.find("div", attrs={"class": "zoomMe"})
print(desired_div.text)