如何删除 BeautifulSoup 中所有不同的脚本标签？

Question

我从 Web 链接抓取表格并希望通过删除所有脚本标记来重建表格。这是源代码。

response = requests.get(url)
soup = BeautifulSoup(response.text)
table = soup.find('table')

for row in table.find_all('tr') :                                                                                                                                                                                                                                                                                                                                                                                                     
    for col in row.find_all('td'):
        #remove all different script tags
        #col.replace_with('') 
        #col.decompose()  
        #col.extract()
        col = col.contents

如何删除所有不同的脚本标签？以关注单元格为例，其中包括标签a、br和td。

<td><a href="http://www.irit.fr/SC">Signal et Communication</a>
<br/><a href="http://www.irit.fr/IRT">Ingénierie Réseaux et Télécommunications</a>
</td>

我的预期结果是：

Signal et Communication
Ingénierie Réseaux et Télécommunications

Answer 1

你问的是get_text()：

如果您只想要文档或标签的文本部分，您可以使用 get_text() 方法。 它返回文档中或下面的所有文本 标记，作为单个 Unicode 字符串

td = soup.find("td")
td.get_text()

注意.string 在这种情况下会返回None，因为td 有多个孩子：

如果一个标签包含多个东西，那么不清楚是什么 .string 应该引用，所以.string 被定义为None

演示：

>>> from bs4 import BeautifulSoup
>>> 
>>> soup = BeautifulSoup(u"""
... <td><a href="http://www.irit.fr/SC">Signal et Communication</a>
... <br/><a href="http://www.irit.fr/IRT">Ingénierie Réseaux et Télécommunications</a>
... </td>
... """)
>>> 
>>> td = soup.td
>>> print td.string
None
>>> print td.get_text()
Signal et Communication
Ingénierie Réseaux et Télécommunications

Answer 2

尝试调用 col.string。这只会给你文本。