首页 文章

仅使用BeautifulSoup从html中提取除脚本标记内容之外的文本

提问于
浏览 次
3

我有像这样的HTML

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

我想用 BeautifulSoup 提取 Age 15

所以我写了如下python代码

code:

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)

output:

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

我只想 Age 15 不是 script 标签内的功能 . 有没有办法只获得文字： Age 15 ？或以任何方式排除 script 标签的内容？

PS：脚本标签太多，URL不同 . 我不喜欢从输出中替换文本 .

python python-3.x beautifulsoup urllib3

2 回答

  • 1

    迟到的答案，但为了将来参考，你也可以使用decompose()删除 html 中的所有 script 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
    回复于
  • 1

    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())

    Output:

    Ages 15
    回复于

相关问题