BeautifulSoup - wie soll ich mich erhalten, den Körper Inhalt

Ich bin Parsen HTML mit BeautifulSoup. Am Ende, ich möchte zu erhalten, die body Inhalt, aber ohne die body - tags. Aber BeautifulSoup fügt html, head, und body - tags. Ich diese googlegrops Diskussion eine mögliche Lösung vorgeschlagen:

>>> from bs4 import BeautifulSoup as Soup
>>> soup = Soup('<p>Some paragraph</p>')
>>> soup.body.hidden = True
>>> soup.body.prettify()
u' <p>\n  Some paragraph\n </p>'

Diese Lösung ist ein hack. Es sollte eine bessere und offensichtliche Weg, es zu tun.

InformationsquelleAutor Philipp Zedler | 2014-01-30

  1. 15

    Meinst du immer alles zwischen den body-tags?

    In diesem Fall können Sie verwenden :

    import urllib2
from bs4 import BeautifulSoup
page = urllib2.urlopen('some_site').read()
soup = BeautifulSoup(page)
body = soup.find('body')
the_contents_of_body_without_body_tags = body.findChildren()
    Danke! Wenn ich zwei Absätze, sollte ich so etwas wie ''.join(['%s' % x for x in soup.body.findChildren()]) oder gibt es eine bessere Möglichkeit?
    Ich finde deine Art ziemlich gut.
    Ich hatte einige Probleme mit findChildren wo einige Dinge erscheinen Redundant, da Sie verschachtelt sind, in mehreren Schichten und wurden für jeweils Schicht. Um den Inhalt aus dem Leib, wie es ist im original ohne Redundanz oder Verrücktheit, die ich verwendet pagefilling = ''.join(['%s' % x for x in soup.body.contents])
    Körper.findChildren(recursive=False); hilft Sie nicht, um verschachtelte Elemente zweimal.

    InformationsquelleAutor Azwr

Schreibe einen Kommentar