BeautifulSoup4提取所有类型的条件注释

Question

我想做什么：

使用bs4从html邮件中删除可疑注释。现在，我遇到了类型为conditional comments的所谓downlevel-revealed的问题。

请参阅：https://docs.microsoft.com/en-us/previous-versions/windows/internet-explorer/ie-developer/compatibility/ms537512(v=vs.85)#syntax-of-conditional-comments

import bs4

html = 'A<!--[if expression]>a<![endif]-->' \
       'B<![if expression]>b<![endif]>'


soup = bs4.BeautifulSoup(html, 'html5lib')

for comment in soup.find_all(text=lambda text: isinstance(text, bs4.Comment)):
    comment.extract()

在提取注释之前：

'A',
'[if expression]>a<![endif]',
'B',
'[if expression]',
'b',
'[endif]',

提取评论后：

'A',
'B',
'b',

问题：

小b也应删除。问题是，bs4将第一个注释检测为一个单个注释对象，但是将第二个注释检测为3个对象。 Comment（if），NavigableString（b）和Comment（endif）。提取仅删除两种注释类型。内容为“ b”的NavigableString保留在DOM中。

对此有什么解决办法？

Answer 1

经过一段时间阅读有关条件注释的信息，我可以理解为什么会这样发生。

下级隐藏

downlevel-hidden基本上写为普通注释<!-- ... -->。在现代浏览器中，这被检测为条件注释块。因此，如果我想删除条件注释，BeautifulSoup会将其完全删除。

下层显示

downlevel-revealed被写为<!...>b<!...>，现代浏览器将这两个标记检测为无效并在DOM中忽略它们，因此仅b仍然有效。因此BeautifulSoup仅删除标签，而不删除内容

结论

BeautifulSoup可以像现代浏览器一样处理条件注释。这对于我的情况来说是完全可以的。