如何使用 BeautifulSoup 从 HTML 中删除评论标签？

Question

我一直在玩BeautifulSoup，非常棒。我的最终目标是尝试从页面中获取文本。我只是想从正文中获取文本，特殊情况是从 或 标签获取标题和/或 alt 属性。

到目前为止，我有这个EDITED &更新的当前代码：

soup = BeautifulSoup(page)
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
[comment.extract() for comment in comments]
page = ''.join(soup.findAll(text=True))
page = ' '.join(page.split())
print page

1）对于我的特殊情况，您建议最好的方法是什么，以不从上面列出的两个标签中排除这些属性？如果这样做太复杂，那么它就没有第 2 步那么重要。

2）我想删除 标签以及它们之间的所有内容。我该怎么办呢？

问题编辑 @jathanism：这里有一些我试图删除但仍然保留的评论标签，即使我使用你的示例

<!-- Begin function popUp(URL) { day = new Date(); id = day.getTime(); eval("page" + id + " = window.open(URL, '" + id + "', 'toolbar=0,scrollbars=0,location=0,statusbar=0,menubar=0,resizable=0,width=300,height=330,left = 774,top = 518');"); } // End -->
<!-- var MenuBar1 = new Spry.Widget.MenuBar("MenuBar1", {imgDown:"SpryAssets/SpryMenuBarDownHover.gif", imgRight:"SpryAssets/SpryMenuBarRightHover.gif"}); //--> <!-- var MenuBar1 = new Spry.Widget.MenuBar("MenuBar1", {imgDown:"SpryAssets/SpryMenuBarDownHover.gif", imgRight:"SpryAssets/SpryMenuBarRightHover.gif"}); //--> <!-- var whichlink=0 var whichimage=0 var blenddelay=(ie)? document.images.slide.filters[0].duration*1000 : 0 function slideit(){ if (!document.images) return if (ie) document.images.slide.filters[0].apply() document.images.slide.src=imageholder[whichimage].src if (ie) document.images.slide.filters[0].play() whichlink=whichimage whichimage=(whichimage<slideimages.length-1)? whichimage+1 : 0 setTimeout("slideit()",slidespeed+blenddelay) } slideit() //-->

Answer 1

直接从 BeautifulSoup 文档 中，您可以轻松删除注释（或任何东西）使用 extract()：

from BeautifulSoup import BeautifulSoup, Comment
soup = BeautifulSoup("""1<!--The loneliest number-->
                        <a>2<!--Can be as bad as one--><b>3""")
comments = soup.findAll(text=lambda text:isinstance(text, Comment))
[comment.extract() for comment in comments]
print soup
# 1
# <a>2<b>3</b></a>

Answer 2

我还在想为什么会这样
找不到并删除这样的标签：
。这些反斜杠导致
某些需要忽略的标签。

这可能是底层 SGML 解析器的问题：请参阅 http://www.crummy.com/software/BeautifulSoup/documentation.html#Sanitizing%20Bad%20Data%20with%20Regexps。您可以使用 markupMassage 正则表达式来覆盖它 - 直接来自文档：

import re, copy

myMassage = [(re.compile('<!-([^-])'), lambda match: '<!--' + match.group(1))]
myNewMassage = copy.copy(BeautifulSoup.MARKUP_MASSAGE)
myNewMassage.extend(myMassage)

BeautifulSoup(badString, markupMassage=myNewMassage)
# Foo<!--This comment is malformed.-->Bar<br />Baz

Answer 3

如果您正在 BeautifulSoup 版本 3 中寻找解决方案 BS3 Docs - 评论

soup = BeautifulSoup("""Hello! <!--I've got to be nice to get what I want.-->""")
comment = soup.find(text=re.compile("if"))
Comment=comment.__class__
for element in soup(text=lambda text: isinstance(text, Comment)):
    element.extract()
print soup.prettify()

Answer 4

如果突变不适合你，你可以

[t for t in soup.find_all(text=True) if not isinstance(t, Comment)]