Beautifulsoup 上标不是“sup”答案

【问题标题】：Beautifulsoup superscript not "sup"Beautifulsoup 上标不是“sup”
【发布时间】：2018-07-04 11:00:53
【问题描述】：

我可以从以下页面中删除上标：

https://www.sec.gov/Archives/edgar/data/1633917/000163391718000094/exhibit991prq12018pypl.htm

这里有这篇文章：Beautiful soup remove superscripts

但现在我有一个没有标记为sup的上标

https://www.sec.gov/Archives/edgar/data/1549802/000110465918031489/a18-13128_1ex99d1.htm

Net revenues 后面是一个上标1，它没有sup 标记。

如何从此处的帖子中删除此上标：Beautiful soup remove superscripts？

【问题讨论】：

标签： python beautifulsoup

【解决方案1】：

看起来有问题的元素具有以下格式：

<font size="1" style="font-size:6.5pt;font-weight:bold;position:relative;top:-3.0pt;">1</font>

所以我们可以在这里看到他们正在使用字体格式化文本，其中重要的部分是样式 position:relative 和 top: 值。我会亲自编写一个可以扩展的函数来检测上标并删除它们。例如：

def Remove_Superscripts(soup):
    # Simple superscript extraction
    for element in soup.find_all('sup'):
        element.extract()

    # More complex superscript extraction for this example:
    for element in soup.find_all(lambda e: e and e.name == 'font' and e.has_attr('style') and
                                           'position:relative' in e['style'] and
                                           'top:' in e['style']:
        element.extract()

这是一个非常懒惰和混乱的示例，但它应该让您了解如何删除未标记为<sup\> 标记的上标标记。不幸的是，每次遇到有人以不同方式构造上标的新情况时，您都需要扩展和修改此方法（我会努力使其尽可能开放和通用）。

【讨论】：

【解决方案2】：

类似这样的：

fonts = soup.select('font[style*="position:relative"]')
for font in fonts:
    font.decompose()

【讨论】：