BeautifulSoup-простой способ получить HTML-содержимое

Я использую этот код, чтобы найти все интересные ссылки на странице:

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

и он делает свою работу довольно хорошо. К сожалению, внутри этого a tag есть много вложенных тегов, таких как шрифт, b а это разные вещи... Я хотел бы получить только текстовое содержимое без каких-либо других тегов html.

пример ссылки:

<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>

конечно, это уродливо (и разметка не всегда одинакова!) и я хотел бы получить:

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

в документации сказано использовать text=True в метода findAll, но он будет игнорировать мое регулярное выражение. Почему? Как я могу это решить?

7
beautifulsoup html-content-extraction html-parsing python

2 ответов

я использовал этот:

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

Так...

texts = [textOf(n) for n in soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))]
12

заинтересованы в pyparsing взять на себя эту проблему?

from pyparsing import makeHTMLTags, SkipTo, anyOpenTag, anyCloseTag, ParseException

htmlsrc = """<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>"""

# create pattern to find interesting <A> tags
aStart,aEnd = makeHTMLTags("A")
def matchInterestingHrefsOnly(t):
    if not t.href.startswith("notizia.php?"):
        raise ParseException("not interested...")
aStart.setParseAction(matchInterestingHrefsOnly)
patt = aStart + SkipTo(aEnd)("body") + aEnd

# create pattern to strip HTML tags, and convert HTML entities
stripper = anyOpenTag.suppress() | anyCloseTag.suppress()
def stripTags(s):
    s = stripper.transformString(s)
    s = s.replace("&nbsp;"," ")
    return s


for match in patt.searchString(htmlsrc):
    print stripTags(match.body)

принты:

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

это на самом деле довольно непроницаемо для HTML-Капризов, поскольку это факторы наличия/отсутствия атрибутов, верхнего/нижнего регистра и т. д.

2