如何删除 BeautifulSoup 中的空格

Question

我正在使用 BeautifulSoup 解析一堆 HTML，除了一个小问题外，一切进展顺利。我想将输出保存到单行字符串中，以下内容作为我当前的输出：

    <li><span class="plaincharacterwrap break">
                    Zazzafooky but one two three!
                </span></li>
<li><span class="plaincharacterwrap break">
                    Zazzafooky2
                </span></li>
<li><span class="plaincharacterwrap break">
                    Zazzafooky3
                </span></li>

理想情况下，我希望

<li><span class="plaincharacterwrap break">Zazzafooky but one two three!</span></li><li><span class="plaincharacterwrap break">Zazzafooky2</span></li>

有很多多余的空格我想删除，但不一定可以使用 删除strip()，我也不能公然删除所有空格，因为我需要保留文本。我该怎么做呢？这似乎是一个很常见的问题，正则表达式会显得矫枉过正，但这是唯一的方法吗？

我没有任何

 标签，所以我可以在那里更有力一点。

再次感谢！

Answer 1

以下是不使用正则表达式的方法：

>>> html = """    <li><span class="plaincharacterwrap break">
...                     Zazzafooky but one two three!
...                 </span></li>
... <li><span class="plaincharacterwrap break">
...                     Zazzafooky2
...                 </span></li>
... <li><span class="plaincharacterwrap break">
...                     Zazzafooky3
...                 </span></li>
... """
>>> html = "".join(line.strip() for line in html.split("\n"))
>>> html
'<li><span class="plaincharacterwrap break">Zazzafooky but one two three!</span></li><li><span class="plaincharacterwrap break">Zazzafooky2</span></li><li><span class="plaincharacterwrap break">Zazzafooky3</span></li>'

Answer 2

老问题，我知道，但是 beautifulsoup4 有一个名为 stripped_strings。

试试这个：

description_el = about.find('p', { "class": "description" })
descriptions = list(description_el.stripped_strings)
description = "\n\n".join(descriptions) if descriptions else ""

Answer 3

re.sub(r'[\ \n]{2,}', '', yourstring)

当有两个或以上时，正则表达式 [\ \n]{2} 匹配换行符和空格（必须转义）。更彻底的实现是这样的：

re.sub('\ {2,}', '', yourstring)
re.sub('\n*', '', yourstring)

我认为第一个只会替换多个换行符，但它似乎（至少对我来说）工作得很好。

Answer 4

如果您在被 BeautifulSoup prettify() 困扰后来到这里。我认为这个解决方案不会添加额外的空格。

from lxml import html, etree

doc = html.fromstring(open('inputfile.html').read())
out = open('out.html', 'wb')
out.write(etree.tostring(doc))

请参阅 Ian Bicking 在 stackoverflow 上的回答

通过 xml.etree 进行解析很简单...

from xml.etree import ElementTree as ET
tree = ET.parse('out.html')
title = tree.find(".//title").text
print(title)