美丽的汤解析错误

Question

我试图使用beautifulsoup首先删除html字符串中的<a>标记，但要保留其内容。 之后，我想删除所有标签并用新行替换它们。

strip_tags函数来自此文章 。

这是我要执行的操作的一个示例：

text = "<p>This is a <a>test</a></p>"
soup = strip_tags(text, ["a"])
plain_text = soup.get_text("\n")
print(plain_text)

由于某种原因，输出为u'This is a \\ntest' 。 如果<a>标签已经被剥离，为什么会认为它仍然存在？

预期的输出是This is a test 。

一个更复杂的示例： <p>First</p><a>Link</a><p>Second</p>

如何在<p>标记之间进行分隔，并且仍然能够剥离<a>标记？

确实，如果您打印soup.encode_contents() ，则没有<a> 。

Answer 1

strip_tags函数来自此文章 。

该函数以递归方式用标签中包含的文本替换标签。

因此，您的'<a>test</a>'被替换为'test' 。 那里没有'<a>'标签。

Answer 2

之所以这样，是因为strip_tags函数正在操纵NavigableStrings。 （这就是为什么您在strip_tags中看到所有unicode强制转换的原因）

当您运行soup.get_text（“ \\ n”）时，即使没有<a>标记，它也会看到NavigableString的所有元素并在拆分处添加“ \\ n”。

为什么不只使用get_text（）获取已删除标签的文本？

text = "<p>This is a <a>test</a> man</p> <p> more stinking <a>p</a> tags </p>"
plain_text = BeautifulSoup(text, 'html.parser')
ptags = plain_text.find_all('p')
mytext = ""
for tag in ptags:
    mytext = mytext + tag.get_text() + "\n"
print(mytext)