BeautifulSoup - طريقة سهلة للحصول على HTML-محتويات الحرة

Question

أنا باستخدام هذا الرمز أن تجد جميع الروابط في الصفحة:

soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))

وأنه لا وظيفة لها بشكل جيد.للأسف داخل a الوسم هناك الكثير من العلامات المتداخلة مثل الخط, ب و أشياء مختلفة...أود أن الحصول على محتوى النص ، دون أي علامة html.

على سبيل المثال من الرابط:

<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009:&nbsp;&nbsp;<font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>

بالطبع انها قبيحة (و العلامات ليست دائما نفس!) و أود الحصول على:

03-11-2009:  CCS Ingegneria Elettronica-Sportello studenti ed orientamento

في وثائق تقول أن استخدام text=True في findAll الطريقة ولكن فإنه سيتم تجاهل بلدي regex.لماذا ؟ كيف يمكنني حل هذا ؟

Answer 1

لقد استعملت هذا:

def textOf(soup):
    return u''.join(soup.findAll(text=True))

لذا...

texts = [textOf(n) for n in soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))]

Answer 2

المهتمة في pyparsing تأخذ على المشكلة ؟

from pyparsing import makeHTMLTags, SkipTo, anyOpenTag, anyCloseTag, ParseException

htmlsrc = """<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009:&nbsp;&nbsp;<font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>"""

# create pattern to find interesting <A> tags
aStart,aEnd = makeHTMLTags("A")
def matchInterestingHrefsOnly(t):
    if not t.href.startswith("notizia.php?"):
        raise ParseException("not interested...")
aStart.setParseAction(matchInterestingHrefsOnly)
patt = aStart + SkipTo(aEnd)("body") + aEnd

# create pattern to strip HTML tags, and convert HTML entities
stripper = anyOpenTag.suppress() | anyCloseTag.suppress()
def stripTags(s):
    s = stripper.transformString(s)
    s = s.replace("&nbsp;"," ")
    return s


for match in patt.searchString(htmlsrc):
    print stripTags(match.body)

طباعة:

03-11-2009:  CCS Ingegneria Elettronica-Sportello studenti ed orientamento

هذا هو في الواقع جميلة منيع HTML تقلبات ، كما أنه من العوامل في وجود/عدم وجود سمات العلوية/السفلية الحالة ، وهلم جرا.