从 HTML 中清除标签

Question

我想从一个 html 文件中提取一些数据。我的问题是您看到的第一段代码。我无法正确擦除文本中的每个标签(<tr>,<th>,...)

table = soup.find(class_="article-table")
[row.text.split() for row in table.find_all("tr")]
table = lxml.html.fromstring(table)

data = []
for row in table.find_all("tr")[1:]:
    x = row.text.split()
    name = " ".join(i for i in x if i.isalpha() or "-" in i)
    res = [i for i in x if not (i.isalpha() or "-" in i)]
    res.insert(1, name)

在你看到的下一行代码中，它删除了每个标签，但现在我不知道如何只提取我想要的文本。

soup = BeautifulSoup(page.content, 'lxml').text

有什么想法吗？

Answer 1

我不太确定您的问题是什么。首先你在 2. 行代码中的列表理解没有分配给任何变量？我认为你应该这样做：

rows = [row.text.split() for row in table.find_all("tr")]

也许这个Answer 也有帮助。