web-dev-qa-db-ja.com

Beautifulsoup 4：コメントタグとそのコンテンツを削除する

したがって、私が廃棄しているページには、これらのhtmlコードが含まれています。コメントタグを削除するにはどうすればよいですか<!-- -->とその内容bs4？

<div class="foo">
cat dog sheep goat
<!-- 
<p>NewPP limit report
Preprocessor node count: 478/300000
Post‐expand include size: 4852/2097152 bytes
Template argument size: 870/2097152 bytes
Expensive parser function count: 2/100
ExtLoops count: 6/100
</p>
-->

</div>
pythonhtmlweb-scrapinghtml-parsingbeautifulsoup
15
Flint

extract() （解決策は この回答 に基づいています）を使用できます：

PageElement.extract（）は、ツリーからタグまたは文字列を削除します。抽出されたタグまたは文字列を返します。

from bs4 import BeautifulSoup, Comment

data = """<div class="foo">
cat dog sheep goat
<!--
<p>test</p>
-->
</div>"""

soup = BeautifulSoup(data)

div = soup.find('div', class_='foo')
for element in div(text=lambda text: isinstance(text, Comment)):
    element.extract()

print soup.prettify()

その結果、コメントなしでdivを取得します。

<div class="foo">
    cat dog sheep goat
</div>
22
alecxe

通常、bs4解析ツリーを変更する必要はありません。必要に応じて、divのテキストを取得できます。

soup.body.div.text
Out[18]: '\ncat dog sheep goat\n\n'

bs4コメントを区切ります。ただし、本当に解析ツリーを変更する必要がある場合：

from bs4 import Comment

for child in soup.body.div.children:
    if isinstance(child,Comment):
        child.extract()
6
roippi

この回答から BeautifulSoupバージョン3のソリューションを探している場合 BS3ドキュメント-コメント

soup = BeautifulSoup("""Hello! <!--I've got to be Nice to get what I want.-->""")
comment = soup.find(text=re.compile("if"))
Comment=comment.__class__
for element in soup(text=lambda text: isinstance(text, Comment)):
    element.extract()
print soup.prettify()
0
Vanjith