Question

我希望能够删除一系列链接。我不能直接使用BeautifulSoup，因为html的结构方式。

start_list = soup.find_all(href=re.compile('id='))

print(start_list)

[<a href="/movies/?id=actofvalor.htm"><b>Act of Valor</b></a>,
 <a href="/movies/?id=actionjackson.htm"><b>Action Jackson</b></a>]

我希望只提取href信息。我正在考虑某种过滤器，我可以将所有粗体标签放入列表中，然后将其从包含上述信息的另一个列表中过滤掉。

start_list = soup.find_all('a', href=re.compile('id='))

start_list_soup = BeautifulSoup(str(start_list), 'html.parser')

things_to_remove = start_list_soup.find_all('b')

我们的想法是能够循环遍历things_to_remove并从start_list中删除所有出现的内容

Answer 1

start_list = soup.find_all(href=re.compile('id='))

href_list = [i['href'] for i in start_list]

href是标记的属性，如果您使用find_all获取大量标记，只需迭代它并使用tag['href']来访问该属性。

要了解使用[]的原因，您应该知道标记的属性存储在字典中。 Document：

标签可以包含任意数量的属性。标签<b class="boldest"> 有一个属性“class”，其值为“boldest”。你可以访问通过将标记视为字典来处理标记的属性：
tag['class']
# u'boldest'
您可以直接以.attrs：
的形式访问该词典
tag.attrs
# {u'class': u'boldest'}

list comprehension很简单，你可以引用这个PEP，在这种情况下，它可以在for循环中完成：

href_list = []
for i in start_list:
    href_list.append(i['href'])

从Python中的href标记中删除不需要的html

1 个答案: