Question

我正在尝试编写一个程序来解析一系列HTML文件，并将结果数据存储在.csv电子表格中，这非常依赖于新行在正确的位置。我已经尝试了所有可以找到的方法来消除某些文本的断行，但无济于事。相关代码如下所示：

soup = BeautifulSoup(f)
ID = soup.td.get_text()
ID.strip()
ID.rstrip()
ID.replace("\t", "").replace("\r", "").replace("\n", "")
dateCreated = soup.td.find_next("td").get_text()
dateCreated.replace("\t", "").replace("\r", "").replace("\n", "")
dateCreated.strip()
dateCreated.rstrip()
# debug
print('ID:' + ID + 'Date Created:' + dateCreated)

结果代码如下所示：

ID:
FOO
Date Created:
BAR

这个和同一个程序的另一个问题一直困扰着我。帮助太棒了。感谢。

编辑：想出来，这是一个非常愚蠢的错误。而不只是做

ID.replace("\t", "").replace("\r", "").replace("\n", "")

我应该做的

ID = ID.replace("\t", "").replace("\r", "").replace("\n", "")

Answer 1

虽然这个问题已经得到了解答，但我只是想通过这种冗长的方式进行替换没有很好的理由，你实际上可以这样做：

import re

ID = re.sub(r'[\t\r\n]', '', ID)

尽管regex通常是应该避免的。

Answer 2

您手头的问题是，您希望从实际返回新值的操作中获得就地操作。

ID.strip() # returns the rstripped value, doesn't change ID.
ID = ID.strip() # Would be more appropriate.

你可以使用正则表达式，虽然正则表达式对这个过程来说太过分了。实际上，特别是如果它的开头和结尾字符，只需将它们传递给剥离：

ID = ID.strip('\t\r\n')

Answer 3

BeautifulSoup4 >有剥离字符串的内部实现

这些字符串往往有很多额外的空格，您可以使用.stripped_strings生成器删除它： BS4 Doc stripped_strings

html_doc="""<div class="path">
    <a href="#"> abc</a>
    <a href="#"> def</a>
    <a href="#"> ghi</a>
</div>"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, "html.parser")

result_list = []
for s in soup.select("div.path"):
    result_list.extend(s.stripped_strings)

print  " ".join(result_list)

Output: abc def ghi

无法从BeautifulSoup文本输出中删除换行符（Python 2.7.5）

3 个答案: