Question

我有从MS Word保存的html文档，现在它有一些与MS Word相关的标签。我不需要保持与它的任何向后兼容性，我只需要从该文件中提取内容。问题是单词特定标签不会那么容易删除。

我有这段代码：

from bs4 import BeautifulSoup, NavigableString

def strip_tags(html, invalid_tags):
    soup = BeautifulSoup(html)
    for tag in soup.findAll(True):
        if tag.name in invalid_tags:
            s = ""

            for c in tag.contents:
                if not isinstance(c, NavigableString):
                    c = strip_tags(unicode(c), invalid_tags)
                s += unicode(c)

            tag.replaceWith(s)

    return soup

删除不需要的标签。但有些人甚至在使用这种方法后仍然留下。例如，看看这个：

<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">Some text - 
some content<o:p></o:p></SPAN></P>
<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">some text2 - 
647894654<o:p></o:p></SPAN></P>
<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">some text3 - 
some content blabla<o:p></o:p></SPAN></P>

这就是它在html文档中的外观。当我使用这样的方法时：

invalid_tags = ['span']
stripped = strip_tags(html_file, invalid)
print stripped

打印方式如下：

<p class="MsoNormal">Some text - 
some content&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>
<p class="MsoNormal">some text2 - 
647894654&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>
<p class="MsoNormal">some text3 - 
some content blabla&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>

正如您所看到的那样html和body标签出现在那里，即使在html中它也不存在。如果我添加invalid_tags = ['span', 'o:p']，则会删除<o:p></o:p>标记，但如果我添加删除html或正文标记，则它不会执行任何操作，但仍保留在那里。

P.S。如果我直接更改查找标记的位置，我可以删除html标记。例如，在方法中添加此行（在使用findAll之前）soup = soup.body。但在此之后，body标记仍然悬挂在这些特定段落中。

Answer 1

你可以试试这个：

from bs4 import BeautifulSoup
def strip_tags(html, invalid_tags):
    soup = BeautifulSoup(html)
    for t in invalid_tags:
        tag = soup.find_all(t)
        if tag:
            for item in tag:
                item.unwrap()
    return str(soup)

然后你只需要去掉html和body标签。

BeautifulSoup - 删除MS Word特定标签？

1 个答案: