代码之家 › 专栏 › 技术社区 › Avraham

如何在JS中将beautifulsoup中的文本设置为.innerText而非.textContent

beautifulsoup web-scraping python-3.x html python

Avraham · 技术社区 · 10 月前

我有一个HTML文件,其中包含p标签内的文本,类似于这样:

<body>
    <p>Lorem ipsum dolor sit amet, 
        consectetur adipiscing elit. 
        Maecenas sed mi lacus. 
        Vivamus luctus vehicula lacus, 
        ut malesuada justo posuere et. 
        Donec ut diam volutpat</p>
</body>

使用Python和BeautifulSoup,我试图找到p标签中的文本,比如:

with open("foo.html", 'r', encoding='utf-8') as f:
    soup = BeautifulSoup(f.read(), 'lxml')
p = soup.p
print(p.text)

结果: 'Lorem ipsum dolor sit amet, \n\t\tconsectetur adipiscing elit. \n\t\tMaecenas sed mi lacus. \n\t\tVivamus luctus vehicula lacus, \n\t\tut malesuada justo posuere et. \n\t\tDonec ut diam volutpat'

问题是,我将结果与原始文件中出现的\n和\t(如JS中的.textContent)一起获得。我需要一个类似于JS中的.innerText的解决方案,它会在用户在浏览器中看到时返回。

我试着用 p.text.replace("\n", " ").replace("\t", "") 但对于更复杂的事情,比如标签中的标签,它根本不起作用(比如不必要的空格)。

有人知道怎么做吗?提前感谢!

1 回复 | 直到 10 月前

Andrej Kesely 10 月前

如果我没理解错的话,你可以用正则表达式来改变文本。考虑这个例子:

from bs4 import BeautifulSoup

html_text = """\
<body>
    <p>Lorem ipsum dolor sit amet,
        consectetur adipiscing elit.
        Maecenas sed mi lacus.
            <span>This is inner span.</span>
        Vivamus luctus vehicula lacus,
        ut malesuada justo posuere et.
        Donec ut diam volutpat</p>
</body>"""

soup = BeautifulSoup(html_text, "html.parser")
print(soup.p.text)

打印:

Lorem ipsum dolor sit amet,
        consectetur adipiscing elit.
        Maecenas sed mi lacus.
            This is inner span.
        Vivamus luctus vehicula lacus,
        ut malesuada justo posuere et.
        Donec ut diam volutpat

然后,您可以执行以下操作:

import re

print(re.sub(r"\s{2,}", " ", soup.p.text))

这句话:

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas sed mi lacus. This is inner span. Vivamus luctus vehicula lacus, ut malesuada justo posuere et. Donec ut diam volutpat

推荐文章

ÎÎÎ½Î· ÎÎ®Î¹Î½Î¿Ï · Python lxml.html语法错误:使用lxml find时XPATH的谓词无效

4 月前

Cam · Pandas列表日期到日期时间

4 月前

RASEL MAHMUD · 为什么以及如何在is_even()函数内的IF条件中递归X变量在满足0后递增?[副本]

5 月前

jjkennedy · Pandas文本文件导入:当每个文件中存在多个表时,自动选择1个表

5 月前

LMC · Numpy数组布尔索引以获取包含元素

5 月前

vr8ce · 非成对标记中特定字符的正则表达式

6 月前

Kernel · 如果指定了crs参数,shapefile的geopandas.read_file将出错

6 月前

ShaAnder · 为什么sqllachemy返回的是类而不是字符串

6 月前

sixtytrees · detectron2软件包未安装(没有名为“torch”的模块),但我安装了torch

6 月前

Pernoctador · Python映射可以复制吗?我需要参考地图

6 月前