我怎么能忽略在BeautifulSoup中其他HTMLtag之间编写的HTML标记呢？

Question

我正在用漂亮的汤解析HTML文档。 我正在从文档中提取<p>标记。 然而，在<p>标记之间是像<a href = 'bla'> bla <a>这样的其他标记。 问题是，当我想忽略这些<a>标记时，我的代码也会提取它们

示例：

html = ['<p> text text text. (<a href = bla> bla </a>) </p>']

我的代码：

Reintext = []
for line in html:
    try:
        soup = bs(line, 'lxml')
        re = ','.join(p.text for p in soup.find_all('p', class_=False, id=False))
        j = re.replace('\n', '')
        g = ' '.join(j.split())
        Reintext.append(g)
    except:
        print(line)

输出

Reintext = ['text text text. ( bla ) ,']

那么如何忽略Reintext输出中的（bla）部分呢

Answer 1

您可以通过使用find函数并只保留NavigableString对象（在HTML中表示纯文本）来实现这一点

from bs4 import BeautifulSoup as bs
import bs4
html = ['<p> text text text. (<a href = bla> bla </a>) </p>']

for line in html:
    soup = bs(line, 'lxml')
    external_span = soup.find('p')
    text = []
    for x in external_span:
        if isinstance(x, bs4.element.NavigableString):
            text.append(x.strip())
    print(" ".join(text))
#text text text. ( )