python - 在 python 中删除标签

Question

鉴于我有字符串，如何删除所有标签。例如:

string = hello<tag1>there</tag1> I <tag2> want to </tag2> strip <tag3>all </tag3>these tags
>>>> hello there I want to strip all these tags

Answer 1

text 属性是最简单的，但它只是逐字复制文本节点，因此你得到

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("""hello<tag1>there</tag1> I <tag2> want to </tag2> strip <tag3>all </tag3>these tags""")
>>> soup.text
u'hellothere I  want to  strip all these tags'

您可以使用压缩所有空白

>>> ' '.join(soup.text.split())
u'hellothere I want to strip all these tags'

<小时/>

现在，'hello' 之间缺少空格和'there ' 是一个棘手的问题，因为如果 <tag1>是<b>那么它会被用户代理渲染为 hellothere，没有任何中间空间；需要解析 CSS 才能知道哪些元素应该是内联的，哪些不是。

但是，如果我们允许每个非文本节点(和结束标签)被空格替换，那么粗略的做法是使用 soup.findChildren 单独搜索所有文本节点。 ，分别拆分每个列表，将这些列表与 itertools.chain 合并然后join它们全部在一起，并用一个空格作为分隔符:

>>> from itertools import chain
>>> words = chain(*(i.split() for i in soup.findChildren(text=True)))
>>> ' '.join(words)
u'hello there I want to strip all these tags'