如何在 BeautifulSoup 中删除空格

Posted 2023-02-23

【中文标题】如何在 BeautifulSoup 中删除空格

【英文标题】：How to remove whitespace in BeautifulSoup

【发布时间】：2011-05-15 07:39:52

【问题描述】：

我有一堆 html 正在用 BeautifulSoup 进行解析，除了一个小问题外，它运行良好。我想将输出保存为单行字符串，并将以下内容作为我当前的输出：

    <li><span class="plaincharacterwrap break">
                    Zazzafooky but one two three!
                </span></li>
<li><span class="plaincharacterwrap break">
                    Zazzafooky2
                </span></li>
<li><span class="plaincharacterwrap break">
                    Zazzafooky3
                </span></li>

理想情况下我会喜欢

<li><span class="plaincharacterwrap break">Zazzafooky but one two three!</span></li><li><span class="plaincharacterwrap break">Zazzafooky2</span></li>

我想删除很多多余的空格，但不一定可以使用strip() 删除，我也不能公然删除所有空格，因为我需要保留文本。我该怎么做？ regex 似乎是一个很常见的问题，但这是唯一的方法吗？

我没有任何<pre> 标记，所以我可以在那里更有力一点。

再次感谢！

【问题讨论】：

如何打印输出？

您可以做浏览器所做的事情：将所有相邻的空白（在文本中）折叠成单个空格。

【参考方案1】：

以下是不使用正则表达式的方法：

>>> html = """    <li><span class="plaincharacterwrap break">
...                     Zazzafooky but one two three!
...                 </span></li>
... <li><span class="plaincharacterwrap break">
...                     Zazzafooky2
...                 </span></li>
... <li><span class="plaincharacterwrap break">
...                     Zazzafooky3
...                 </span></li>
... """
>>> html = "".join(line.strip() for line in html.split("\n"))
>>> html
'<li><span class="plaincharacterwrap break">Zazzafooky but one two three!</span></li><li><span class="plaincharacterwrap break">Zazzafooky2</span></li><li><span class="plaincharacterwrap break">Zazzafooky3</span></li>'

【参考方案2】：

老问题，我知道，但是 beautifulsoup4 有一个叫做 stripped_strings 的助手。

试试这个：

description_el = about.find('p',  "class": "description" )
descriptions = list(description_el.stripped_strings)
description = "\n\n".join(descriptions) if descriptions else ""

【参考方案3】：

re.sub(r'[\ \n]2,', '', yourstring)

Regex [\ \n]2 匹配两个或多个以上的换行符和空格（必须转义）。更彻底的实现是这样的：

re.sub('\ 2,', '', yourstring)
re.sub('\n*', '', yourstring)

我认为第一个只会替换多个换行符，但它似乎（至少对我来说）工作得很好。

【参考方案4】：

如果你在被 BeautifulSoup prettify() 困扰后来到这里。我认为这个解决方案不会添加额外的空格。

from lxml import html, etree

doc = html.fromstring(open('inputfile.html').read())
out = open('out.html', 'wb')
out.write(etree.tostring(doc))

请看这个Ian Bicking's answer on ***

通过 xml.etree 解析很简单...

from xml.etree import ElementTree as ET
tree = ET.parse('out.html')
title = tree.find(".//title").text
print(title)