有没有人有一些示例代码说明如何使用Python的Beautiful Soup从一串文本中删除除了一些之外的所有html标签?
我想删除所有javascript和html标签,除了:
<a></a>
<b></b>
<i></i>
还有类似的事情:
<a onclick=""></a>
感谢您的帮助 - 我在互联网上找不到这么多。
答案 0 :(得分:8)
import BeautifulSoup
doc = '''<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is <i>paragraph</i> <a onclick="">one</a>.<p id="secondpara" align="blah">This is <i>paragraph</i> <b>two</b>.</html>'''
soup = BeautifulSoup.BeautifulSoup(doc)
for tag in soup.recursiveChildGenerator():
if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
print(tag)
产量
<i>paragraph</i>
<a onclick="">one</a>
<i>paragraph</i>
<b>two</b>
如果您只想要文字内容,可以将print(tag)
更改为print(tag.string)
。
如果您想从onclick=""
标记中删除a
之类的属性,则可以执行以下操作:
if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
if tag.name=='a':
del tag['onclick']
print(tag)