我有一些html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,</td>
匹配<td id="MenuTD" style="vertical-align: top;">
。我想从html文件中删除此部分。
同样,我可能还想删除文件中的其他一些标签。
我该如何用Python编程?
我正在查看Python 2.7中的HTMLParser
模块,但尚未弄清楚这是否有帮助。
答案 0 :(得分:1)
您可以使用BeautifulSoup完成此操作。您有两种选择,具体取决于您要删除的元素。
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)
extract()
方法。使用此选项,您将保留已提取元素的副本,以便以后在应用程序中使用它: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
元素中的所有内容都已删除。您可以看到它仍在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>
.decompose()
。如果您不需要已删除元素的副本,则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()
它不会返回任何内容(与.extract()
不同)。但是,它会删除文档中的元素:
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>