我正在使用这段代码来查找页面中所有有趣的链接:
soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))
它的功能很好。不幸的是,在那个a标签里有很多嵌套标签,比如font、b和其他不同的东西...我想要的只是纯文本内容,没有其他任何html标签。
链接示例:
<A HREF="notizia.php?idn=1134" OnMouseOver="verde();" OnMouseOut="blu();"><FONT CLASS="v12"><B>03-11-2009: <font color=green>CCS Ingegneria Elettronica-Sportello studenti ed orientamento</B></FONT></A>
当然它很丑(而且标记语言并不总是相同的!),我想要得到:
03-11-2009: CCS Ingegneria Elettronica-Sportello studenti ed orientamento
在文档中,建议在findAll方法中使用
text=True
,但这会忽略我的正则表达式。为什么?我该如何解决?