python - 获取除 mailto : and tel: in BS4 Python decompose() 之外的所有 HTML 数据

Question

我需要从 HTML 中取出电话号码和电子邮件。

我可以得到数据。

description_source = soup.select('a[href^="mailto:"]'),  
                     soup.select('a[href^="tel:"]')

但我不想要它。

我正在尝试使用

decompose

description_source = soup.decompose('a[href^="mailto:"]')

我收到这个错误

TypeError: decompose() takes 1 positional argument but 2 were given

我想过用

SoupStrainer

但看起来我必须包括除 mailto 和 tel 之外的所有内容才能获得正确的信息...

这个位的完整当前代码是这个

import requests
from bs4 import BeautifulSoup as bs4

item_number = '122124438749' 

ebay_url = "http://vi.vipr.ebaydesc.com/ws/eBayISAPI.dll?ViewItemDescV4&item=" + item_number
r = requests.get(ebay_url)
html_bytes = r.text
soup = bs4(html_bytes, 'html.parser')

description_source = soup.decompose('a[href^="mailto:"]')
#description_source.

print(description_source)

Answer 1

尝试使用 find_all()。找到该页面中的所有链接，然后检查哪些链接包含电话和电子邮件。然后使用 extract().

删除它们

使用 lxml 解析器进行更快的处理。也推荐在官方文档中使用。

import requests
from bs4 import BeautifulSoup

item_number = '122124438749' 

ebay_url = "http://vi.vipr.ebaydesc.com/ws/eBayISAPI.dll?ViewItemDescV4&item=" + item_number
r = requests.get(ebay_url)
html_bytes = r.text
soup = BeautifulSoup(html_bytes, 'lxml')

links = soup.find_all('a')
email = ''
phone = ''

for link in links:
    if(link.get('href').find('tel:') > -1):
        link.extract()

    elif(link.get('href').find('mailto:') > -1):
        link.extract()

print(soup.prettify())

您也可以使用 decompose() 代替 extract()。