使用 Beautiful Soup 从字符串中去除 html 标签答案

【问题标题】：Using Beautiful Soup to strip html tags from a string使用 Beautiful Soup 从字符串中去除 html 标签
【发布时间】：2011-05-24 08:42:48
【问题描述】：

有没有人有一些示例代码来说明如何使用 Python 的 Beautiful Soup 从文本字符串中去除所有 html 标签，除了一些标签？

我想去掉所有的 javascript 和 html 标签，除了：

<a></a>
<b></b>
<i></i>

还有类似的东西：

<a onclick=""></a>

感谢您的帮助 -- 为此我在互联网上找不到太多信息。

【问题讨论】：

标签： python beautifulsoup

【解决方案1】：

import BeautifulSoup

doc = '''<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is <i>paragraph</i> <a onclick="">one</a>.<p id="secondpara" align="blah">This is <i>paragraph</i> <b>two</b>.</html>'''
soup = BeautifulSoup.BeautifulSoup(doc)

for tag in soup.recursiveChildGenerator():
    if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
        print(tag)

产量

<i>paragraph</i>
<a onclick="">one</a>
<i>paragraph</i>
<b>two</b>

如果你只想要文本内容，你可以将print(tag)更改为print(tag.string)。

如果您想从a 标记中删除像onclick="" 这样的属性，您可以这样做：

if isinstance(tag,BeautifulSoup.Tag) and tag.name in ('a','b','i'):
    if tag.name=='a':
        del tag['onclick']
    print(tag)

【讨论】：

谢谢 -- 任何删除 onclick="" 的方法
在打印前添加 'tag.attrs=[]' 以删除所有属性。如果您需要更多控制，tag.attrs 只是您可以根据需要使用的（名称，值）对的列表。