删除 html 个文件中的匹配标签？

Question

我有一些 html 个文件，每个文件都包含

<td id="MenuTD" style="vertical-align: top;"> 
...
</td>

其中 ... 可以包含任何内容，而 </td> 匹配 <td id="MenuTD" style="vertical-align: top;">。我想从 html 文件中删除这部分。

同样，我可能还想删除文件中的一些其他标签。

我该如何在 Python 中编程？

我正在查看 Python 2.7 中的 HTMLParser 模块，但尚未确定是否有帮助。

Answer 1

您可以使用 BeautifulSoup 完成此操作。您有两种选择，具体取决于您要对要删除的元素执行的操作。

设置：

from bs4 import BeautifulSoup

html_doc = """
<html>
    <header>
        <title>A test</title>
    </header>
    <body>
        <table>
            <tr>
                <td id="MenuTD" style="vertical-align: top;"> 
                    Stuff here <a>with a link</a>
                    <p>Or paragraph tags</p>
                    <div>Or a DIV</div>
                </td>
                <td>Another TD element, without the MenuTD id</td>
            </tr>
        </table>
    </body>
</html>
"""

soup = BeautifulSoup(html_doc)

方案一是使用extract()方法。使用它，您将保留提取元素的副本，以便稍后在您的应用程序中使用它：

代码：

menu_td = soup.find(id="MenuTD").extract()

此时，您要删除的元素已保存到menu_td变量中。做你想做的事。 soup 变量中的 HTML 不再包含您的元素：

print(soup.prettify())

输出：

<html>
 <header>
  <title>
   A test
  </title>
 </header>
 <body>
  <table>
   <tr>
    <td>
     Another TD element, without the MenuTD id
    </td>
   </tr>
  </table>
 </body>
</html>

MenuTD 元素中的所有内容均已删除。你可以看到它仍然在 menu_td 变量中：

print(menu_td.prettify())

输出：

<td id="MenuTD" style="vertical-align: top;">
 Stuff here
 <a>
  with a link
 </a>
 <p>
  Or paragraph tags
 </p>
 <div>
  Or a DIV
 </div>
</td>

选项 2：利用 .decompose()。如果不需要已删除元素的副本，可以使用此功能将其从文档中删除并销毁内容。

代码：

soup.find(id="MenuTD").decompose()

它没有 return 任何东西（不像 .extract()）。但是，它确实会从您的文档中删除该元素：

print(soup.prettify())

输出：

<html>
 <header>
  <title>
   A test
  </title>
 </header>
 <body>
  <table>
   <tr>
    <td>
     Another TD element, without the MenuTD id
    </td>
   </tr>
  </table>
 </body>
</html>

删除 html 个文件中的匹配标签？

Remove matched tags in html files?

python

html-parsing

python-2.7