使用BeautifulSoup提取网页标题中的部分文本

Question

我想在此页http://www.arizona.edu/colleges/college-agriculture-life-sciences上提取标题文字。

这是我到目前为止的代码：

from bs4 import BeautifulSoup
import re
import urllib2

url = "http://www.arizona.edu/colleges/college-agriculture-life-sciences"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())

uni_name=soup.title

print uni_name

然而结果是：

<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>

但我的理想结果是：

College of Agriculture & Life Sciences

我该怎么做？

Answer 1

.string属性只为您提供标记文字：

uni_name = soup.title.string

如果您只想使用第一部分，请在|管道上拆分：

uni_name = soup.title.string.partition('|')[0].strip()

这使用str.partition()只拆分一次（为了效率），获取结果的第一部分，并删除该结果周围的任何额外空格。

演示：

>>> soup.title
<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>
>>> soup.title.string
u'College of Agriculture & Life Sciences | The University of Arizona, Tucson, Arizona'
>>> soup.title.string.partition('|')[0].strip()
u'College of Agriculture & Life Sciences'

Answer 2

您可以尝试使用此库（Goose）。

我试图为一些带有beautifulsoup的网站创建我自己的提取器，但后来我意识到Goose完全符合我的需要。