BeautifulSoup：剥离指定的属性，但保留标记及其内容-Java 学习之路

我正在尝试'defrontpagify'MS FrontPage生成的网站的html，我正在写一个BeautifulSoup脚本来做它 .

但是，我试图从包含它们的文档中的每个标记中剥离特定属性（或列表属性）的部分 . 代码段：

REMOVE_ATTRIBUTES = ['lang','language','onmouseover','onmouseout','script','style','font',
                        'dir','face','size','color','style','class','width','height','hspace',
                        'border','valign','align','background','bgcolor','text','link','vlink',
                        'alink','cellpadding','cellspacing']

# remove all attributes in REMOVE_ATTRIBUTES from all tags, 
# but preserve the tag and its content. 
for attribute in REMOVE_ATTRIBUTES:
    for tag in soup.findAll(attribute=True):
        del(tag[attribute])

它运行没有错误，但实际上并没有删除任何属性 . 当我在没有外部循环的情况下运行它时，只需对单个属性进行硬编码（soup.findAll（'style'= True），它就可以了 .

有人知道这里有问题吗？

PS - 我也不太喜欢嵌套循环 . 如果有人知道更具功能性的map / filter-ish风格，我很乐意看到它 .

4 回答

这条线

for tag in soup.findAll(attribute=True):

找不到任何 tag . 可能有办法使用 findAll ;我不确定 . 但是，这有效：

import BeautifulSoup
REMOVE_ATTRIBUTES = [
    'lang','language','onmouseover','onmouseout','script','style','font',
    'dir','face','size','color','style','class','width','height','hspace',
    'border','valign','align','background','bgcolor','text','link','vlink',
    'alink','cellpadding','cellspacing']

doc = '''<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is <i>paragraph</i> <a onmouseout="">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():
    try:
        tag.attrs = [(key,value) for key,value in tag.attrs
                     if key not in REMOVE_ATTRIBUTES]
    except AttributeError: 
        # 'NavigableString' object has no attribute 'attrs'
        pass
print(soup.prettify())

回复于 2024-04-24T14:50:34+08:00

我正在使用带有python 2.7的BeautifulSoup 4，对我来说 tag.attrs 是字典而不是列表 . 因此我不得不修改这段代码：

for tag in soup.recursiveChildGenerator():
        if hasattr(tag, 'attrs'):
            tag.attrs = {key:value for key,value in tag.attrs.iteritems() 
                         if key not in REMOVE_ATTRIBUTES}

回复于 2024-04-24T14:50:34+08:00

0
只是ftr：这里的问题是，如果将HTML属性作为关键字参数传递，则关键字是属性的名称 . 所以你的代码正在搜索名为 attribute 的属性的标签，因为变量没有扩展 .

这就是为什么
- 硬编码您的属性名称[0]
- 代码没有失败 . 搜索只是与任何标签都不匹配
要解决此问题，请将您要查找的属性作为 dict 传递：
```
for attribute in REMOVE_ATTRIBUTES:
    for tag in soup.find_all(attrs={attribute: True}):
        del tag[attribute]
```
和某人在一起，dtk

[0]：虽然在你的例子中需要 find_all(style=True) ，但没有引号，因为 SyntaxError: keyword can't be an expression
回复于 2024-04-24T14:50:34+08:00

我用这个：

if "align" in div.attrs:
    del div.attrs["align"]

要么

if "align" in div.attrs:
    div.attrs.pop("align")

感谢https://stackoverflow.com/a/22497855/1907997

回复于 2024-04-24T14:50:34+08:00

BeautifulSoup：剥离指定的属性，但保留标记及其内容

4 回答

相关问题