Question

以这样的基本HTML为例。在截断并删除它之前，如何删除所有2个节点以上的子节点。

<html>
<head>
    <title></title>
    <meta />
    <meta />
    <link />
</head>
<body>
    <div>
        <div>
            <a></a>
            <a></a>
            <a></a>
        </div>
        <span>
            <h1>
                <li></li>
                <li></li>
            </h1>
        </span>
    </div>
</body>

会变成：

    <html>
<head>
    <title></title>
    <meta />
    <meta />
    <link />
</head>
<body>
    <div>
        <div></div>
        <span></span>
    </div>
</body>

Answer 1

我们的想法是递归迭代所有元素并倒数父母：

from bs4 import BeautifulSoup
from urllib2 import urlopen


data = """your html goes here"""

depth = 5
soup = BeautifulSoup(data)
for tag in soup.find_all():
    if len(list(tag.parents)) == depth:
        tag.extract()

print soup.prettify()

打印：

<html>
 <head>
  <title>
  </title>
  <meta/>
  <meta/>
  <link/>
 </head>
 <body>
  <div>
   <div></div>
   <span></span>
  </div>
 </body>
</html>

Answer 2

可能是这样的：

for child in body.children:
    for element in child.children:
        element.clear()

删除超过特定深度的所有子标记

2 个答案: