使用 BeautifulSoup 提取网页标题中的部分文本答案

【问题标题】：To use BeautifulSoup to extract parts of texts in webpage title使用 BeautifulSoup 提取网页标题中的部分文本
【发布时间】：2014-01-17 08:43:59
【问题描述】：

我要提取本页标题文字http://www.arizona.edu/colleges/college-agriculture-life-sciences。

这是我目前的代码：

from bs4 import BeautifulSoup
import re
import urllib2

url = "http://www.arizona.edu/colleges/college-agriculture-life-sciences"
page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())

uni_name=soup.title

print uni_name

但是结果是：

<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>

但我的理想结果是：

College of Agriculture & Life Sciences

我该怎么做？

【问题讨论】：

标签： python beautifulsoup

【解决方案1】：

.string 属性只为您提供标签文本：

uni_name = soup.title.string

如果您只想使用第一部分，请在| 管道上拆分：

uni_name = soup.title.string.partition('|')[0].strip()

这使用str.partition() 只拆分一次（为了提高效率），获取结果的第一部分，并删除该结果周围的任何多余空格。

演示：

>>> soup.title
<title>College of Agriculture &amp; Life Sciences | The University of Arizona, Tucson, Arizona</title>
>>> soup.title.string
u'College of Agriculture & Life Sciences | The University of Arizona, Tucson, Arizona'
>>> soup.title.string.partition('|')[0].strip()
u'College of Agriculture & Life Sciences'

【讨论】：

感谢 Martijn 的超快速回复。但它在这里给出了一条错误消息 - RuntimeError：在 cmp 中超出了最大递归深度。是因为我使用的是 Python 2.7 吗？
@MarkK：我自己在 Python 2.7 中对此进行了测试；你用的是什么版本的 BeautifulSoup？
我还要注意，“为了提高效率* - str.partition 在这种情况下快两倍……
@JonClements: 咕咕咕 str.partition-shmartition 咕咕咕。
@MarkK：该异常的回溯是什么？也许最好使用要点或馅饼。

【解决方案2】：

你可以试试这个库 (Goose)。

我尝试使用 beautifulsoup 为几个网站创建自己的提取器，但后来我意识到 Goose 完全符合我的需要。

【讨论】：