BeautifulSoup - 获取无 HTML 内容的简单方法

Posted 2023-02-23

【中文标题】BeautifulSoup - 获取无 HTML 内容的简单方法

【英文标题】：BeautifulSoup - easy way to to obtain HTML-free contents

【发布时间】：2010-12-17 16:23:04

【问题描述】：

我正在使用此代码查找页面中所有有趣的链接：

soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))

而且它的工作做得很好。不幸的是，在那个 a 标签里面有很多嵌套标签，比如 font、b 和不同的东西......我想得到只是文本内容，没有任何其他 html 标记。

链接示例：

<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009:&nbsp;&nbsp;<font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>

当然它很丑（而且标记并不总是一样！），我想得到：

03-11-2009:  CCS Ingegneria Elettronica-Sportello studenti ed orientamento

在文档中说要在 findAll 方法中使用text=True，但它会忽略我的正则表达式。为什么？我该如何解决？

【问题讨论】：

PyQuery 听起来是个很酷的替代方案：pypi.python.org/pypi/pyquery

【参考方案1】：

我用过这个：

def textOf(soup):
    return u''.join(soup.findAll(text=True))

所以...

texts = [textOf(n) for n in soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))]

【讨论】：

我认为您需要一个循环 - 您不能在结果集上调用 findAll，只能在单个结果上调用。

【参考方案2】：

对这个问题的 pyparsing 感兴趣？

from pyparsing import makeHTMLTags, SkipTo, anyOpenTag, anyCloseTag, ParseException

htmlsrc = """<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009:&nbsp;&nbsp;<font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>"""

# create pattern to find interesting <A> tags
aStart,aEnd = makeHTMLTags("A")
def matchInterestingHrefsOnly(t):
    if not t.href.startswith("notizia.php?"):
        raise ParseException("not interested...")
aStart.setParseAction(matchInterestingHrefsOnly)
patt = aStart + SkipTo(aEnd)("body") + aEnd

# create pattern to strip HTML tags, and convert HTML entities
stripper = anyOpenTag.suppress() | anyCloseTag.suppress()
def stripTags(s):
    s = stripper.transformString(s)
    s = s.replace("&nbsp;"," ")
    return s


for match in patt.searchString(htmlsrc):
    print stripTags(match.body)

打印：

03-11-2009:  CCS Ingegneria Elettronica-Sportello studenti ed orientamento

这实际上不受 HTML 变幻莫测的影响，因为它会考虑属性的存在/不存在、大写/小写等等。