使用BeautifulSoup提取网页标题中的部分文本

Question

我想提取此页面上的标题文本http://www.arizona.edu/colleges/college-agriculture-life-sciences 。

这是我到目前为止的代码：

from bs4 import BeautifulSoup
import re
import urllib2

url = "http://www.arizona.edu/colleges/college-agriculture-life-sciences"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())

uni_name=soup.title

print uni_name

但是结果是：

<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>

但是我理想的结果是：

College of Agriculture & Life Sciences

我怎样才能做到这一点？

Answer 1

.string属性仅给您标记文本：

uni_name = soup.title.string

如果只想使用第一部分，请在|拆分。 管：

uni_name = soup.title.string.partition('|')[0].strip()

它使用str.partition()仅拆分一次（以提高效率），获取结果的第一部分，并删除该结果周围的所有多余空格。

演示：

>>> soup.title
<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>
>>> soup.title.string
u'College of Agriculture & Life Sciences | The University of Arizona, Tucson, Arizona'
>>> soup.title.string.partition('|')[0].strip()
u'College of Agriculture & Life Sciences'

Answer 2

您可以尝试使用该库（ Goose ）。

我试图用beautifulsoup为一些网站创建自己的提取器，但是后来我意识到Goose确实可以满足我的需求。