BeautifulSoup: un modo semplice per ottenere contenuti privi di HTML
-
20-09-2019 - |
Domanda
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: <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?
Soluzione
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+'))]
Altri suggerimenti
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: <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(" "," ")
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.