BeautifulSoup: un modo semplice per ottenere contenuti privi di HTML

Question

Sto usando questo codice per trovare tutti i collegamenti interessanti in una pagina:

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

E fa piuttosto bene il suo lavoro.Sfortunatamente all'interno di quello UN tag ci sono molti tag nidificati, come font, B e cose diverse...Mi piacerebbe ottenere solo il contenuto del testo, senza altri tag html.

Esempio di collegamento:

<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>

Ovviamente è brutto (e il markup non è sempre lo stesso!) e mi piacerebbe ottenere:

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

Nella documentazione si dice use text=True nel metodo findAll, ma ignorerà la mia regex.Perché?Come posso risolverlo?

Answer 1

Ho usato questo:

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

COSÌ...

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

Answer 2

Sei interessato a una versione pyparsing del problema?

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)

Stampe:

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

Questo in realtà è piuttosto impermeabile ai capricci dell'HTML, poiché tiene conto della presenza/assenza di attributi, maiuscole/minuscole e così via.