删除HTML文件中的匹配标签？

Question

我有一些html文件，每个文件都包含

<td id="MenuTD" style="vertical-align: top;"> 
...
</td>

...可以包含任何内容，并且</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。

如何使用Python编程？

我在看python 2.7中的HTMLParser模块，但是还没有弄清楚是否有帮助。

Answer 1

您可以使用BeautifulSoup完成此操作。 您有两个选择，具体取决于您要对要删除的元素执行的操作。

设定：

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)

选项1是使用extract()方法。 使用此方法，您将保留提取的元素的副本，以便以后在应用程序中使用它：

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。 随心所欲地做。 但是， 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MenuTD内容均已删除。 您可以看到它仍然在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>

选项2：利用.decompose() 。 如果不需要已删除元素的副本，则可以利用此功能从文档中删除它并销毁其内容。

码：

soup.find(id="MenuTD").decompose()

它不返回任何内容（与.extract()不同）。 但是，它确实从文档中删除了该元素：

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>

删除HTML文件中的匹配标签？

问题描述

1 个解决方案

解决方案1
1 已采纳 2015-04-13 03:24:50

删除HTML文件中的匹配标签？

问题描述

1 个解决方案

解决方案1 1 已采纳 2015-04-13 03:24:50

解决方案1
1 已采纳 2015-04-13 03:24:50