如何使用 robobrowser 从 html 中去除标签

Posted 2023-02-23

【中文标题】如何使用 robobrowser 从 html 中去除标签

【英文标题】：How to strip tags from html with robobrowser

【发布时间】：2014-06-18 09:08:50

【问题描述】：

我正在尝试http://robobrowser.readthedocs.org/en/latest/readme.html，这是一个基于美丽汤库的新 python 库。在一些帮助下，我在 django 应用程序中返回了一个 html 页面，但我不知道要剥离标签以只给我 text 。 我的 django 应用程序包含：

def index(request):    

    from django.utils.html import strip_tags
    p=str(request.POST.get('p', False)) # p='https://www.yahoo.com/'
    browser = RoboBrowser(history=True)
    browser.open(p)
    html = browser.response
    stripped = strip_tags(html)
    return HttpResponse(stripped )

当我查看输出的 html 时，我发现它与原始 html 相同。另外我认为robobrowser没有美汤的text()方法。

我也试过了（来自Python code to remove HTML tags from a string）：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""    

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c    

    return out

同样的结果！如何删除html标签并返回文本？

【参考方案1】：

我更喜欢使用bleach。

下面是一些示例代码：

import Bleach
varName = ( bleach.clean( result.find_all( class_ = 'className' ),
                          strip  = True
                          )
            ).strip( '[])' )

【参考方案2】：

BeautifulSoup 提供了 soup::get_text() 方法，用于从已解析的 HTML 文档中提取文本（有点令人困惑，这等效于 getText 方法和 text 属性）。您可以使用browser.parsed 访问当前页面的已解析 HTML。所以，要获取当前页面的纯文本，试试

text = browser.parsed.get_text()

【讨论】：

谢谢，很有帮助