Question

我想从某些HTML中删除一些标记：

<p class="mt-20" itemprop="description">和</p>。其他所有内容，例如<br>都应保留。

代码：

from bs4 import BeautifulSoup
import requests
import re
url = 'https://www.tokopedia.com/tokoonline22/sendok-ukur-elektrik-500g-maks-white?'
page3 = requests.get(url)
soup3 = BeautifulSoup(page3.text, "lxml")

#No problem.
#v = """<p class="mt-20" itemprop="description">*OMCB07BK*<br/><br/>Tas backpack ini didesign khusus untuk menaruh drone DJI Phantom 3 beserta dengan aksesoris-aksesorisnya seperti propeller, baterai dan remot kontrol. Setiap slot tas didesign untuk menaruh semua part dari drone DJI sehingga drone mudah dirakit saat ingin digunakan.<br/><br/>Features<br/><br/>Shoulder Bag<br/>Tas ini mirip seperti tas ransel hanya berbeda pada komparmen penyimpanan dimana setiap komparmen didesign untuk menaruh part-part dari DJI Phantom 3.<br/><br/>Easy to Access<br/>Anda dapat merekit dan menggunakan drone dengan sangat cepat dan mudah berkat designnya yang terbuka.<br/><br/>Designed for DJI Phantom 3<br/>Didesign khusus untuk menaruh drone DJI Phantom 3 selain drone juga dapat menaruh aksesoris-aksesoris nya.<br/><br/>Specifications<br/>Dimension    37 x 26 x 7 cm</p></p>
#"""

v = soup3.find("p", {"itemprop": "description"})
result = re.sub('<p class="mt-20" itemprop="description">', "", v)
print(result)

输出错误：

result = re.sub('<p class="mt-20" itemprop="description">', "", v)
File "/usr/lib/python2.7/re.py", line 151, in sub
return _compile(pattern, flags).sub(repl, string, count)
TypeError: expected string or buffer

Answer 1

re.sub需要一个string变量，您的v变量为bs4 element tag。您可以将bs4元素更改为string：

newv = str(v)
result = re.sub('<p class="mt-20" itemprop="description">', "", newv)

Answer 2

另一方面，您实际上并不需要正则表达式。你可以unwrap（这是我认为你想要实现的）一个BeautifulSoup本身的元素：

for elm in soup3.find_all("p", {"itemprop": "description"}):
    elm.unwrap()

TypeError：具有BeautifulSoup的预期字符串或缓冲区

2 个答案: