如果它们属于字符串列表，则删除字符串段落中的项目？

Question

 import urllib2,sys
 from bs4 import BeautifulSoup,NavigableString

 obama_4427_url = 'http://www.millercenter.org/president/obama/speeches/speech-4427'
 obama_4427_html = urllib2.urlopen(obama_4427_url).read()

 obama_4427_soup = BeautifulSoup(obama_4427_html)

 # find the speech itself within the HTML

 obama_4427_div = obama_4427_soup.find('div',{'id': 'transcript'},{'class': 'displaytext'})

 # convert soup to string for easier processing

 obama_4427_str = str(obama_4427_div)

 # list of characters to be removed from obama_4427_str

 remove_char = ['<br/>','</p>','</div>','<div class="indent" id="transcript">','<h2>','</h2>','<p>']
 remove_char


 for char in obama_4427_str:
 if char in obama_4427_str:
     obama_4427_replace = obama_4427_str.replace(remove_char,'')


 obama_4427_replace = obama_4427_str.replace(remove_char,'')

 print(obama_4427_replace)

使用BeautifulSoup，我从上述网站上抓取了奥巴马的一篇演讲。现在，我需要以有效的方式替换一些残留的 HTML。我在remove_char 中存储了我想消除的元素列表。我正在尝试编写一个简单的for 语句，但出现错误：TypeError: expected a character object buffer。这是一个初学者的问题，我知道，但我怎样才能解决这个问题？

Answer 1

由于您已经使用BeautifulSoup，您可以直接使用obama_4427_div.text 而不是str(obama_4427_div) 来获取格式正确的文本。那么你得到的文本就不会包含任何残留的html 元素等。

例子-

>>> obama_4427_div = obama_4427_soup.find('div',{'id': 'transcript'},{'class': 'displaytext'})
>>> obama_4427_str = obama_4427_div.text
>>> print(obama_4427_str)

Transcript
To Chairman Dean and my great friend Dick Durbin; and to all my fellow citizens of this great nation;

With profound gratitude and great humility, I accept your nomination for the presidency of the United States.

Let me express my thanks to the historic slate of candidates who accompanied me on this ...
...
...
...
Thank you, God Bless you, and God Bless the United States of America.

---

为了完整起见，为了从字符串中删除元素，我将创建一个要删除的元素列表（如您创建的 remove_char 列表），然后我们可以为列表中的每个元素在字符串上执行 str.replace() .示例 -

obama_4427_str = str(obama_4427_div)
remove_char = ['<br/>','</p>','</div>','<div class="indent" id="transcript">','<h2>','</h2>','<p>']
for char in remove_char:
    obama_4427_str = obama_4427_str.replace(char,'')