清理标签 bs4

Question

所以我试图只检索 p 标签中的信息，我不想要其他任何东西。我该怎么做？这就是我到目前为止所做的。我收到了我不需要的其他信息

 page = requests.get('https://www.theguardian.com/world/2016/jun/30/mexican- 
woman-117-years-old-dies-birth-certificate')
soup = BeautifulSoup(page.text, 'html.parser')
#soup.i.decompose()

content_list = soup.find('body')
# Pull text from all instances of <p> tag within BodyText div
content_list_items = content_list.find_all('p')    

for content_list in content_list_items:
    print(content_list.prettify())   

Answer 1

我不确定您获得但不需要的“附加信息”是什么意思。 您可以使用 text 属性获取不带任何 HTML 标记的纯文本，例如：content_list.text。如果这不是您想要的，请说明您的问题：您期望的结果是什么？

import requests
from bs4 import BeautifulSoup, NavigableString

page = requests.get('https://www.theguardian.com/world/2016/jun/30/mexican-woman-117-years-old-dies-birth-certificate')
soup = BeautifulSoup(page.text, 'html.parser')

content_list_items = soup.body.find_all('p')    

for content_list in content_list_items:
    txt = content_list if type(content_list) == NavigableString else content_list.text
    print(txt)

编辑

因此，基于此解决方案 (How to remove content in nested tags with BeautifulSoup?)，您可以迭代子级并仅选择 NavigableString 类型的子级。但是，对于您的特定示例，这也会删除锚标记中的链接，例如句子：一个 117 岁的城市妇女终于收到了她的出生证明... 而原句是 一个 117 岁的妇女在 墨西哥 城市终于收到了她的出生证明...

content_list_items = soup.body.find_all('p')

for content_list in content_list_items:
    for child in content_list.children:
        if type(child) == NavigableString:
            print(child.strip())