个人中心
文章发布
退出
作者热门文章
- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
26
4
因为我想删除 html 网站中重复的占位符，所以我使用 BeautifulSoup 的 .next_sibling 运算符。只要重复项在同一行，就可以正常工作(参见数据)。但有时它们之间有一个空行 - 所以我希望 .next_sibling 忽略它们(看看 data2)
这是代码:
from bs4 import BeautifulSoup, Tag
data = "<p>method-removed-here</p><p>method-removed-here</p><p>method-removed-here</p>"
data2 = """<p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
"""
soup = BeautifulSoup(data)
string = 'method-removed-here'
for p in soup.find_all("p"):
while isinstance(p.next_sibling, Tag) and p.next_sibling.name== 'p' and p.text==string:
p.next_sibling.decompose()
print(soup)
数据输出符合预期:
<html><head></head><body><p>method-removed-here</p></body></html>
data2 的输出(这需要修复):
<html><head></head><body><p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
<p>method-removed-here</p>
</body></html>
我在 BeautifulSoup4 文档中找不到有用的信息，.next_element 也不是我要找的。
最佳答案
我可以通过变通方法解决这个问题。 google-group for BeautifulSoup 中描述了该问题他们建议对 html 文件使用预处理器:
def bs_preprocess(html):
"""remove distracting whitespaces and newline characters"""
pat = re.compile('(^[\s]+)|([\s]+$)', re.MULTILINE)
html = re.sub(pat, '', html) # remove leading and trailing whitespaces
html = re.sub('\n', ' ', html) # convert newlines to spaces
# this preserves newline delimiters
html = re.sub('[\s]+<', '<', html) # remove whitespaces before opening tags
html = re.sub('>[\s]+', '>', html) # remove whitespaces after closing tags
return html
这不是最好的解决方案，而是一个。
关于python - 如何在 python 的 BeautifulSoup4 中使用 .next_sibling 时忽略空行，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/23241641/
26
4
0
我正在尝试设置我的 git 配置，以便我可以使用工作环境和个人环境。 这是我的 ~.gitconfig 文件的内容(碰巧 work 和 private 在 github 上): [url "git@
我有以下情况。我在 Sheet1 上有一个项目列表，我想将项目复制到 Sheet2 并排除特定项目。 假设我在 Sheet1 上有以下项目列表: 我想将“梨”单元格留在 Sheet2 上。 它应该完全
我试图让 gcc 以不同的语言提供错误消息。但它仍然给我英文的错误信息。 我的语言环境输出 varun@varun-desktop:$ 语言环境 LANG=en_IN LC_CTYPE="es_EC.
我在 Linux x86 上使用 gcc。 我的程序将指向 C 函数的指针导出到 LLVM JIT 函数。调用约定是 cdecl。它在 Windows 上的 MingW 上运行良好。但是奇怪的事情发生
windows 上 php 的奇怪问题...我的应用程序加载了一个“核心”文件，该文件加载了一个设置文件、注册自动加载、进行初始化等。在核心文件的顶部我有 include_once("config.p
在工具|选项|调试器选项 |语言异常可以忽略特定的异常类型。是否可以为每个项目定义这个？例如在调试构建配置中(Delphi 2009 和/或 2010)？ /编辑:Reported in QC 最佳答
我在一个文本框旁边有 2 个按钮，在这 2 个按钮后面还有另一个文本框。第一个文本框的 tabindex 为 1000，第一个按钮为 1001，第二个按钮为 1002。第二个文本框的 tabindex
我是 python 新手，正在尝试类型提示，但它们似乎只在某些情况下起作用。它们似乎在属性返回类型上按预期工作，但是当我尝试将整数分配给字符串值(即 self._my_string = 4)时，我没有
问题陈述 我有一些国家和这些国家的州的依赖组合框。我使用 VBA 在第一个组合框中填充唯一值，然后在第二个组合框中动态填充唯一值。该代码似乎忽略了初始传递中的条件。 例如，该代码适用于第一个国家/地区
我对 Javascript 有点陌生。我试图做到这一点，以便单击一个页面上的图像会将您带到一个新页面，并在该新页面上显示特定的 div，因此我使用 sessionStorage 来记住并使用 bool
我不确定我是否正确地处理了这个问题。 我有一个 ASP.NET MVC Web 应用程序。有 4 个主要“页面”通过单击菜单选项，可以选择一个页面，并将该页面选项存储在本地存储中。 现在，如果我刷新页
我的页面工作正常，并按预期显示日期和时间，直到我不得不添加 new Date() 以避免 momentjs deprecation warning 。现在我的约会比应有的时间晚了 5 个小时。 我该如
我需要合并一个 fork 项目。不幸的是，CVS $Id 行不同，因此我尝试的合并工具报告所有文件都不同(其中 95% 只有这一行不同) 是否有一个合并工具可以配置为忽略基于模式的行比较结果？ [编辑
我是 python 新手，正在尝试类型提示，但它们似乎只在某些情况下起作用。它们似乎在属性返回类型上按预期工作，但是当我尝试将整数分配给字符串值(即 self._my_string = 4)时，我没有
我正在尝试根据 How do a send an HTTPS request through a proxy in Java? 使用代理访问 https 网页 但是我遇到了一个奇怪的问题:HttpsU
我有一个简单的 CMakeLists.txt 文件: cmake_minimum_required(VERSION 2.8.9) project (sample) add_library(Shared
这个问题在这里已经有了答案: typedef pointer const weirdness (6 个答案) 关闭 8 年前。 我有一个结构体 type_s。然后我将指向 struct type_s
我正在尝试制作一个使用 AES 256 加密的应用程序。不幸的是我无法让它工作。也许我没有完全理解密码逻辑。 所以它正在工作，但据我了解，哈希包含密码。但如果我更改密码，输出是相同的。因此，Crypt
我的文件包含一些行，例如 "This is a string." = "This is a string's content." " Another \" example \"" = " New ex
我尝试使用此查询来获取所选健身房的所有用户。 我的问题是查询忽略了这部分:ual.user_id = weekUsers.user_id 查询似乎获取了与我选择的日期匹配的所有用户 ID，而不检查该用
我是一名优秀的程序员,十分优秀！