Qualcuno ha qualche codice di esempio che illustra come utilizzare Python's Beautiful Soup per rimuovere tutti i tag html, ad eccezione di alcuni, da una stringa di testo?Utilizzo di Beautiful Soup per rimuovere i tag html da una stringa
Voglio mettere a nudo tutti i javascript e tag html tutto, tranne:
<a></a>
<b></b>
<i></i>
E anche cose come:
<a onclick=""></a>
Grazie per l'aiuto - non ho potuto trovare molto su internet per questo scopo.
import BeautifulSoup
doc = '''<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is <i>paragraph</i> <a onclick="">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():
if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
print(tag)
cede
<i>paragraph</i>
<a onclick="">one</a>
<i>paragraph</i>
<b>two</b>
Se si desidera solo il contenuto del testo, è possibile modificare print(tag)-print(tag.string).
Se si desidera rimuovere un attributo come onclick="" dal tag a, si potrebbe fare questo:
if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
if tag.name=='a':
del tag['onclick']
print(tag)
Grazie - un modo per rimuovere l'onclick = "" – ensnare
add 'tag.attrs = [ ] 'prima di stampare per rimuovere tutti gli attributi. Se hai bisogno di più controllo, tag.attrs è solo una lista di coppie (nome, valore) con cui puoi giocare quando ne hai bisogno. – Spacedman
Ehi, questo è stato davvero utile, grazie mille. – ensnare