【发布时间】：2016-12-27 16:24:55
【问题描述】：
我从博客中提取文本，但格式如下：
<li><b><a href="https://www.bloomberg.com/news/articles/article-id">Text</li>
我只需要从中提取文本。
我试过这段代码：
from bs4 import BeautifulSoup
from urllib import request
import nltk, re, pprint
def getAllDoxyDonkeyPosts(url,links):
raw = request.urlopen(url).read()
raw = BeautifulSoup(raw, "lxml")
for a in raw.findAll('a'):
try:
url = a['href']
title = a['title']
if title == "Older Posts":
links.append(url)
getAllDoxyDonkeyPosts(url,links)
except:
title = ""
return
blogUrl = "http://doxydonkey.blogspot.in/"
links = []
getAllDoxyDonkeyPosts(blogUrl,links)
def getDoxyDonkeyText(url):
raw = request.urlopen(url).read()
raw = BeautifulSoup(raw, "lxml")
mydivs = raw.findAll("div", {"class":'post-body'})
posts = []
for div in mydivs:
posts+=div.findAll("li")
return posts
doxyDonkeyPosts = []
for link in links:
doxyDonkeyPosts+=getDoxyDonkeyText(link)
doxyDonkeyPosts
【问题讨论】：
-
你试过什么？并且不要使用这样的图像。删除图像并将其作为文本发布。
-
您使用了 beautifulsoup 标签，因此您明白这就是您所需要的。因此，请说明您使用它的程度
标签： python beautifulsoup