在python中删除纯文本以外的任何内容答案

【问题标题】：Deleting anything but plain Text in python在python中删除纯文本以外的任何内容
【发布时间】：2019-01-24 07:52:38
【问题描述】：

我试图让代码只获取<p> 标签之间的所有内容。我还没有找到方法。

我尝试使用一个简单的循环，这个程序你应该输入一个 url，当你运行它时会显示纯文本。

    import urllib.request
    import urllib.parse
    import re

    print("Enter the URL")
    url = input()

    #url = "https://en.wikipedia.org/wiki/Somalia"
    values = {'s':'basic', 'submit':'search'}
    data = urllib.parse.urlencode(values)
    data = data.encode('utf-8')
    req = urllib.request.Request(url,data)
    resp = urllib.request.urlopen(req)
    respData = resp.read()

    #print(respData)

    paragraphs = re.findall(r'<p>(.*?)</p>', str(respData))

    for eachP in paragraphs:
        print(eachP)

我也尝试过使用 BeutifulSoup，但还没有成功导入。

【问题讨论】：

How to find all text inside <p> elements in an HTML page using BeautifulSoup的可能重复
stackoverflow.com/questions/1732348/…
正则表达式不是解析 XML 的方法，即使它们适用于简单的表达式。强烈建议使用 XML 解析器。
除了XML还有什么更简单的方法吗？

标签： python urllib

【解决方案1】：

欢迎来到 SO 和编程。 You can't parse [X]HTML with regex. 是时候使用库了。 Beautiful Soup 和你的requests 是你这里最好的朋友。

在您的 bash/cmd/终端类型中：

pip install requests
pip install beautifulsoup4

然后使用：

import requests
from bs4 import BeautifulSoup


r = requests.get("https://en.wikipedia.org/wiki/Somalia")
soup = BeautifulSoup(r.text) # you need to define the parser but for now its ok.
for p in soup.find_all('p'):
    print(p.text)

【讨论】：