Question

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+'))

它的工作做得很好。不幸的是，在 a 标记中有很多嵌套标记，例如 font ， b 以及不同的东西...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>

当然它很难看（并且标记并不总是一样！）我想得到：

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

在文档中说它在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？

Answer 1

我用过这个：

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

因此...

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

Answer 2

对这个问题的pyparsing问题感兴趣吗？

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

这实际上非常不受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。

BeautifulSoup - 获取无HTML内容的简便方法

2 个答案: