如何从漂亮的汤结果中删除多余的标签

Question

我只想获取

标签中的内容并删除多余的 div 标签。
我的代码是：

page = """
<p style="text-align: justify">content that I want
    <div ><!-- /316485075/agk_116000_pos_3_sidebar_mobile -->
        <div id="agk_116000_pos_3_sidebar_mobile">
            <script>
                script code
            </script>
        </div>
        <div class="nopadding clearfix hidden-print">
            <div align="center" class="col-md-12">
            <!-- /316485075/agk_116000_pos_4_conteudo_desktop -->
                <div id="agk_116000_pos_4_conteudo_desktop" style="height:90px; width:728px;">
                    <script>
                        script code
                    </script>
                </div>
            </div>
        </div>
    </div>
</p>
"""
soup = BeautifulSoup(page, 'html.parser')
p = soup.find_all('p', {'style' : 'text-align: justify'})

我只想获取字符串 <p>content that I want</p> 并删除所有 div

Answer 1

您可以使用replace_with() 函数删除标签及其内容。

soup = BeautifulSoup(html, 'html.parser')   # html is HTML you've provided in question
soup.find('div').replace_with('')
print(soup)

输出：

<p style="text-align: justify">content that I want

</p>

注意：我在这里使用soup.find('div')，因为所有不需要的标签都在第一个div 标签内。因此，如果您删除该标签，则所有其他标签都将被删除。但是，如果您想删除格式不是这样的 HTML 中除p 标签之外的所有标签，则必须使用此：

for tag in soup.find_all():
    if tag.name == 'p':
        continue
    tag.replace_with('')

相当于：

[tag.replace_with('') for tag in soup.find_all(lambda t: t.name != 'p')]

---

如果你只是想要content that I want 文本，你可以使用这个：

print(soup.find('p').contents[0])
# content that I want

Answer 2

捕获组 2 包含您的内容<(.*?)(?:\s.+?>)(.*?)</\1[>]?

见https://regex101.com/r/m8DQic/1