Question

有人可以告诉我如何提取和删除HTML文档中的所有<script>标记，并将其添加到文档的末尾，就在</body></html>之前？我想尽量避免使用lxml。

感谢。

Answer 1

答案很简单，可能会遗漏许多细微差别。但是，这应该让你知道如何去做，一般来说改进它。我相信这可以改进，但你应该能够在文档的帮助下快速完成。

参考文档：http://www.crummy.com/software/BeautifulSoup/documentation.html

from bs4 import BeautifulSoup

doc = ['<html><script type="text/javascript">document.write("Hello World!")',
       '</script><head><title>Page title</title></head>',
       '<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',
       '<p id="secondpara" align="blah">This is paragraph <b>two</b>.',
       '</html>']
soup = BeautifulSoup(''.join(doc))


for tag in soup.findAll('script'):
    # Use extract to remove the tag
    tag.extract()
    # use simple insert
    soup.body.insert(len(soup.body.contents), tag)

print soup.prettify()

输出：

<html>
 <head>
  <title>
   Page title
  </title>
 </head>
 <body>
  <p id="firstpara" align="center">
   This is paragraph
   <b>
    one
   </b>
   .
  </p>
  <p id="secondpara" align="blah">
   This is paragraph
   <b>
    two
   </b>
   .
  </p>
  <script type="text/javascript">
   document.write("Hello World!")
  </script>
 </body>
</html>

提取HTML页面中的所有<script>标记并附加到文档的底部</script>

1 个答案: