主页 / 问题 / 1067482
Accepted
danilshik
Asked:2020-01-09 02:48:26 +0000 UTC2020-01-09 02:48:26 +0000 UTC

从 html 中清除文本 - 代码

  • 772

该网站上的 javascript 包含一些 Json，我使用正则表达式将其提取出来。

但是 Json 包含 html 元素。有没有办法摆脱它们，只留下文字？

例如

<div>Гарантированный анализ:</b> протеин 0,0014%, жиры 0,00029%, зола 5,3%, влага 81%, кальций 5,2%, калий 0,026%, магний 0,000014%, натрий 0,000047%, фосфор 0,0011%.</div><div style="text-align: justify;"><b>Состав: </b>минералы, сахар, молоко и молочные продукты, концентрат черной смородины.</div><div style="text-align: justify;">  </div><div style="text-align: justify;"><b>Гарантированный анализ:</b> протеин 0,0014%, жиры 0,00029%, зола 5,3%, влага 81%, кальций 5,2%, калий 0,026%, магний 0,000014%, натрий 0,000047%, фосфор 0,0011%.</div><div style="text-align: justify;">  </div><div style="text-align: justify;"><b>Добавки на 1 л:</b> витамин С 200 мг.</div>

更新：这些方法不适用于此：

\r\n\u003cul>\r\n  \u003cli style=\"text-align: justify;\">Полноценный корм в виде хлопьев с натуральными усилителями цвета\u003c/li>

更新 如果您将 bs4 打印到控制台，它会打印

Результат: 
Полноценный корм в виде хлопьев с натуральными усилителями цвета
Поддерживает яркость и полноту окраса всех видов красных, оранжевых и желтых декоративных рыб 
Эффект усиления цвета виден всего через две недели 
БиоАктив-формула поддерживает здоровой иммунную систему 
Содержит пребиотики для лучшего переваривания пищи 
Для здорового роста рыб и чистой воды

一切都很好，但是如果我将值输入字典，然后显示该字典，那么特殊字符会从我身上溜走

{'composition': 'Ингредиенты:\xa0рыба и побочные рыбные продукты, зерновые культуры, дрожжи, моллюски и раки, экстракты растительного белка, масла и жиры, водоросли, сахар (олигофруктоза 0,9%), минеральные вещества.\n\n\n\nАналитический состав:\n\n\
python

1 个回答

  1. Best Answer

    有几种方法可以删除标签：

    使用正则表达式

    import re

regexp = re.compile('<.*?>')
cleaned_string = re.sub(regexp, '', html_string)

    用美丽的汤

    from bs4 import BeautifulSoup
cleaned_string = BeautifulSoup(html_string, "lxml").text

    使用元素树

    cleaned_string = ''.join(xml.etree.ElementTree.fromstring(html_string).itertext())
    • 7

相关问题