BeautifulSoup - 简单的方法来获得免费的HTML内容 [英] BeautifulSoup - easy way to to obtain HTML-free contents

问题描述

我使用这个code找到页面中的所有相关链接：

I'm using this code to find all interesting links in a page:

soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))

和它的工作pretty好。不幸的是里面那个 标记有很多嵌套的标签，像字体 乙和不同的东西。我想获得只是文本内容，没有任何其他HTML标记。

And it does its job pretty well. Unfortunately inside that a tag there are a lot of nested tags, like font, b and different things... I'd like to get just the text content, without any other html tag.

链接示例：

<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009:&nbsp;&nbsp;<font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>

当然，这是丑陋的（和标记并不总是一样的！），我想获得：

Of course it's ugly (and the markup is not always the same!) and I'd like to get:

03-11-2009:  CCS Ingegneria Elettronica-Sportello studenti ed orientamento

在文档它说，使用文本= TRUE 中的findAll方法，但它会忽略我的正则表达式。为什么？我该如何解决？

In the documentation it says to use text=True in findAll method, but it will ignore my regex. Why? How can I solve that?

推荐答案

我用这个：

def textOf(soup):
    return u''.join(soup.findAll(text=True))

所以...

texts = [textOf(n) for n in soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))]

这篇关于BeautifulSoup - 简单的方法来获得免费的HTML内容的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！