从 html 页面中删除所有样式、脚本和 html 标记答案

【问题标题】：Remove all style, scripts, and html tags from an html page从 html 页面中删除所有样式、脚本和 html 标记
【发布时间】：2015-08-14 10:26:08
【问题描述】：

这是我目前所拥有的：

from bs4 import BeautifulSoup

def cleanme(html):
    soup = BeautifulSoup(html) # create a new bs4 object from the html data loaded
    for script in soup(["script"]): 
        script.extract()
    text = soup.get_text()
    return text
testhtml = "<!DOCTYPE HTML>\n<head>\n<title>THIS IS AN EXAMPLE </title><style>.call {font-family:Arial;}</style><script>getit</script><body>I need this text captured<h1>And this</h1></body>"

cleaned = cleanme(testhtml)
print (cleaned)

正在删除脚本

【问题讨论】：

你的预期输出是什么？

标签： python html beautifulsoup

【解决方案1】：

看起来你几乎拥有它。您还需要删除 html 标记和 css 样式代码。这是我的解决方案（我更新了函数）：

def cleanMe(html):
    soup = BeautifulSoup(html, "html.parser") # create a new bs4 object from the html data loaded
    for script in soup(["script", "style"]): # remove all javascript and stylesheet code
        script.extract()
    # get text
    text = soup.get_text()
    # break into lines and remove leading and trailing space on each
    lines = (line.strip() for line in text.splitlines())
    # break multi-headlines into a line each
    chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
    # drop blank lines
    text = '\n'.join(chunk for chunk in chunks if chunk)
    return text

【讨论】：

@Anu 这对我有用：relist = re.split("window.fbAsyncInit+", texttotest) print(relist[0]) 你可以看到正则表达式拆分工作正常，对于 texttotest 变量我完全使用了你的示例文本。

【解决方案2】：

您可以使用decompose 从文档中完全删除标签，并使用stripped_strings 生成器来检索标签内容。

def clean_me(html):
    soup = BeautifulSoup(html)
    for s in soup(['script', 'style']):
        s.decompose()
    return ' '.join(soup.stripped_strings)

>>> clean_me(testhtml) 
'THIS IS AN EXAMPLE I need this text captured And this'

【讨论】：

【解决方案3】：

以干净的方式删除指定的标签和 cmets。感谢Kim Hyesung this code。

from bs4 import BeautifulSoup
from bs4 import Comment

def cleanMe(html):
    soup = BeautifulSoup(html, "html5lib")    
    [x.extract() for x in soup.find_all('script')]
    [x.extract() for x in soup.find_all('style')]
    [x.extract() for x in soup.find_all('meta')]
    [x.extract() for x in soup.find_all('noscript')]
    [x.extract() for x in soup.find_all(text=lambda text:isinstance(text, Comment))]
    return soup

【讨论】：

【解决方案4】：

改用lxml：

# Requirements: pip install lxml

import lxml.html.clean


def cleanme(content):
    cleaner = lxml.html.clean.Cleaner(
        allow_tags=[''],
        remove_unknown_tags=False,
        style=True,
    )
    html = lxml.html.document_fromstring(content)
    html_clean = cleaner.clean_html(html)
    return html_clean.text_content().strip()

testhtml = "<!DOCTYPE HTML>\n<head>\n<title>THIS IS AN EXAMPLE </title><style>.call {font-family:Arial;}</style><script>getit</script><body>I need this text captured<h1>And this</h1></body>"
cleaned = cleanme(testhtml)
print (cleaned)

【讨论】：

【解决方案5】：

如果您想要一个快速而肮脏的解决方案，您可以使用：

re.sub(r'<[^>]*?>', '', value)

在 php.ini 中创建一个 strip_tags 的等价物。这就是你想要的吗？

【讨论】：

【解决方案6】：

除了styvane 答案之外的另一个实现。如果要提取大量文本，请查看selectolax，它比lxml快得多

代码和example in the online IDE：

def clean_me(html):
    soup = BeautifulSoup(html, 'lxml')

    body = soup.body
    if body is None:
        return None

    # removing everything besides text
    for tag in body.select('script'):
        tag.decompose()
    for tag in body.select('style'):
        tag.decompose()

    plain_text = body.get_text(separator='\n').strip()
    print(plain_text)

clean_me()

【讨论】：