Question

我收到的电子邮件看起来像是一大堆：

<p>Something something</p>
  <p>Something else</p>
  <a href="www.blahblah.com">Link</a>

因此，当我使用beautifulsoup抓取文本时，我得到以下内容：

Something something
   Something else
   Link

...但我想摆脱缩进。我正在尝试使用textwrap.dedent，但这并没有改变结果。另外 - 我如何保持链接？

当前代码：

no_html_message = BeautifulSoup(message).get_text()
formatted_message = textwrap.dedent(no_html_message)

更新：运行print repr（no_html_message），所有缩进行在它们之前都有实际的空格......即......

\r\n content

Answer 1

使用您的示例代码，打印时缩进很好：

html = """
<p>Something something</p>
  <p>Something else</p>
  <a href="www.blahblah.com">Link</a>
  """
soup = BeautifulSoup(html)
print soup.get_text()
Something something
Something else
Link

但如果你有空格，只需使用strip

BeautifulSoup(html).get_text().strip()

html = """
<p>    Something something</p>
  <p>Something else</p>
  <a href="www.blahblah.com">Link</a>
  """
soup = BeautifulSoup(html)
print soup.get_text()
    Something something # whitespace
Something else
Link

print soup.get_text().strip() # no whitespace
Something something
Something else
Link

Answer 2

一种解决方案是将换行符的实例替换为后跟空格的换行符。

import re
...
...
...
actual_text = soup.get_text()
unintended_text = re.sub('\n[ ]*', '\n', actual_text)
print(unintended_text)

美丽的汤+ textwrap电子邮件解析

2 个答案: