如何从文本中删除所有的a标签

Question

我有一个脚本��以替换“ahref”标签中的单词。但是我想完全删除a href，这样您就可以看到没有链接的单词Google。

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p>')
for a in soup.findAll('a'):
    a['href'] = a['href'].replace("google", "mysite")
result = str(soup)

你能否找到所有放在 href 中的单词，并在它们前后加上 " "。我不确定该如何处理。我猜这应该是在替换之前完成的。

- user2784753

---

你介意在代码里留下一个没有用的<a>标签吗？你可以直接使用 del a['href']。 - Ry-

Answer 1

使用del a['href']，就像你在普通字典上操作一样：

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p>')
for a in soup.findAll('a'):
    del a['href']

给你：

>>> print str(soup)
<p>Hello <a>Google</a></p>

更新：

如果您想完全摆脱<a>标签，您可以使用.replaceWithChildren()方法：

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p>')
for a in soup.findAll('a'):
    a.replaceWithChildren()

给你：

>>> print str(soup)
<p>Hello Google</p>

...并且，你在评论中所请求的内容（用空格包裹标签的文本内容）可以通过以下方式实现：

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p>')
for a in soup.findAll('a'):
    del a['href']
    a.setString(' %s ' % a.text)

给你：

>>> print str(soup)
<p>Hello <a> Google </a></p>

- Erik Kaplun

---

谢谢，但我在Google上看到的是链接还是普通文本？另外，在href中如何在"google"或任何单词之前插入一个空格呢？谢谢。 - user2784753

1. 我不确定浏览器如何呈现没有href属性的<a>标签，为什么不自己尝试一下，而不是让我来检查呢？
2. 我不确定你在问什么。

- Erik Kaplun

yup checked no links。一旦我获取了所有 "<a>"，我想在<a>后面和</a>之前放置一个空格。所以<a href ="somthing">Hello</a>。应变为<a> Hello </a> - user2784753

已根据最新情况更新了我的回答。 - Erik Kaplun

据我所知，find_all现在比findAll更受青睐（后者仅用于向后兼容）。 - PatrickT

Answer 2

你可以使用漂白剂。

pip install bleach

然后像这样使用它...

import bleach
from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup('<a href = "somesite.com">hello world</a>')
clean = bleach.clean(soup,tags[],strip=True)

这导致...

>>> print clean
u'hello world'

这里是bleach的文档链接。

- Pdksock