Question

我有这样的html

<span class="age">
    Ages 15
    <span class="loc" id="loc_loads1">
     </span>
     <script>
        getCurrentLocationVal("loc_loads1",29.45218856,59.38139268,1);
     </script>
</span>

我正在尝试使用Age 15提取BeautifulSoup

所以我写了如下的python代码

代码：

from bs4 import BeautifulSoup as bs
import urllib3

URL = 'html file'

http = urllib3.PoolManager()

page = http.request('GET', URL)

soup = bs(page.data, 'html.parser')
age = soup.find("span", {"class": "age"})

print(age.text)

输出：

Age 15 getCurrentLocationVal("loc_loads1",29.45218856,59.38139268,1);

我只希望Age 15而不是script标记内的函数。有什么办法只能获取文本：Age 15？或以任何方式排除script标记的内容？

PS：脚本标记过多，URL不同。我不喜欢替换输出中的文本。

Answer 1

最新答案，但为将来参考，您也可以使用decompose()从script中删除所有html元素，即：

soup = BeautifulSoup(html, "html.parser")                  
# remove script and style elements                         
for script in soup(["script", "style"]):                   
    script.decompose()                                     
print(soup.find("span", {"class": "age"}).text.strip())    
# Ages 15

Answer 2

使用.find(text=True)

EX：

from bs4 import BeautifulSoup

html = """<span class="age">
    Ages 15
    <span class="loc" id="loc_loads1">
     </span>
     <script>
        getCurrentLocationVal("loc_loads1",29.45218856,59.38139268,1);
     </script>
</span>"""

soup = BeautifulSoup(html, "html.parser")
print(soup.find("span", {"class": "age"}).find(text=True).strip())

输出：

Ages 15

使用BeautifulSoup仅从html提取脚本标签内容之外的文本

2 个答案: