美麗的湯去除上標

Question

如何從所有文本中刪除上標？ 我下面的代碼可以獲取所有可見的文本，但是腳注的上標使事情變得混亂。 如何刪除它們？

例如， Active accounts (1),(2) ， (1),(2)是可見的上標。

from bs4 import BeautifulSoup
from bs4.element import Comment
import requests


f_url='https://www.sec.gov/Archives/edgar/data/1633917/000163391718000094/exhibit991prq12018pypl.htm'

def tag_visible(element):
    if element.parent.name in ['style', 'script', 'head', 'title', 'meta', '[document]']:
        return False
    if isinstance(element, Comment):
        return False
    return True


def text_from_html(body):
    soup = BeautifulSoup(body, 'html.parser')
    texts = soup.findAll(text=True)
    visible_texts = filter(tag_visible, texts)  
    return u" ".join(t.strip() for t in visible_texts)

html = requests.get(f_url)
text= text_from_html(html.text)

Answer 1

BeautifulSoup函數find_all返回輸入中所有單個離散HTML元素的列表（ find_all是在BeautifulSoup 4中使用的適當函數，優於findAll ）。 下一個函數filter遍歷此列表，並刪除其回調例程返回False 。 回調函數將測試每個代碼段的標記名，如果它們在不需要的列表中，則返回False ，否則返回True 。

如果這些上標始終由正確的HTML標記sup指示，則可以將其添加到回調函數中不需要的列表中。

可能的陷阱是：

1. 假定使用文字（在語義上正確）標簽sup ，而不是使用僅指定 vertical-align: superscript;的類或跨度vertical-align: superscript; 在其CSS中；
2. 假定您要擺脫此上標標記中的所有元素。 如果有異常（“20 ^世紀 ”），你可以檢查的文本內容; 例如，僅當內容全部為數字時才刪除。 如果也有例外的是 （“A ² = B ² + C ^2”），則必須檢查一個更寬的范圍內，或構建夾雜物/排除的白名單或黑名單。