如何使用 BeautifulSoup 删除嵌套标签中的内容？答案

【问题标题】：How to remove content in nested tags with BeautifulSoup?如何使用 BeautifulSoup 删除嵌套标签中的内容？
【发布时间】：2014-03-12 12:23:51
【问题描述】：

如何删除带有BeautifulSoup 的嵌套标签中的内容？这些帖子显示反向检索嵌套标签中的内容：How to get contents of nested tag using BeautifulSoup 和 BeautifulSoup: How do I extract all the <li>s from a list of <ul>s that contains some nested <ul>s?

我试过.text，但它只会删除标签

>>> from bs4 import BeautifulSoup as bs
>>> html = "<foo>Something something <bar> blah blah</bar> something</foo>"
>>> bs(html).find_all('foo')[0]
<foo>Something something <bar> blah blah</bar> something else</foo>
>>> bs(html).find_all('foo')[0].text
u'Something something  blah blah something else'

期望的输出：

其他的东西

【问题讨论】：

所以...在这个例子中你想删除bar的内容？
第二行代码中应该有“else”吗？

标签： python html nested beautifulsoup

【解决方案1】：

您可以检查孩子的bs4.element.NavigableString：

from bs4 import BeautifulSoup as bs
import bs4
html = "<foo>Something something <bar> blah blah</bar> something <bar2>GONE!</bar2> else</foo>"
def get_only_text(elem):
    for item in elem.children:
        if isinstance(item,bs4.element.NavigableString):
            yield item

print ''.join(get_only_text(bs(html).find_all('foo')[0]))

输出；

Something something  something  else

【讨论】：

【解决方案2】：

例如。

body = bs(html)
for tag in body.find_all('bar'):
    tag.replace_with('')

【讨论】：

【解决方案3】：

这是我的简单方法，soup.body.clear() 或soup.tag.clear()

假设您要清除<table></table> 中的内容并添加一个新的pandas 数据框；稍后您可以使用这种清晰的方法轻松地更新您网页的 html 文件中的表格，而不是烧瓶/django：

    import pandas as pd
    import bs4

我想将 120 万行 .csv 转换为 DataFrame，然后转换为 HTML 表格，然后将其添加到我网页的 html 语法中。后来我想轻松只要通过简单地切换变量来更新 csv 更新数据

    bizcsv = read_csv("business.csv")
    dframe = pd.DataFrame(bizcsv)
    dfhtml = dframe.to_html #convert DataFrame to table, HTML format
    dfhtml_update = dfhtml_html.strip('<table border="1" class="dataframe">, </table>')
    """use dfhtml_update later to update your table without the <table> tags,
    the <table> is easy for BS to select & clear!"""

    #A small function to unescape (&lt; to <) the tags back into HTML format
    def unescape(s):
        s = s.replace("&lt;", "<")
        s = s.replace("&gt;", ">")
        # this has to be last:
        s = s.replace("&amp;", "&")
        return s

    with open("page.html") as page:  #return to here when updating
        txt = page.read()
        soup = bs4.BeautifulSoup(txt, features="lxml")
        soup.body.append(dfhtml) #adds table to <body>
        with open("page.html", "w") as outf:
            outf.write(unescape(str(soup))) #writes to page.html

    """lets say you want to make seamless table updates to your 
    webpage instead of using flask or django x_x; return to with open function"""
    soup.table.clear()  #clears everything in <table></table>
    soup.table.append(dfhtml_update)
    with open("page.html", "w") as outf:
        outf.write(unescape(str(soup)))

我是新手，但经过大量搜索后，我只是结合了文档中的一堆基本教义......有点臃肿，但处理数十亿个数据单元格也是如此。这对我有用

【讨论】：