我使用此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+'))
它的工作做得很好。不幸的是里面atag 有很多嵌套标签,例如font, b和不同的东西...我想只获取文本内容,没有任何其他 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(而且标记并不总是相同!),我想得到:
03-11-2009: CCS Ingegneria Elettronica-Sportello studenti ed orientamento
在文档中它说使用text=True
在 findAll 方法中,但它会忽略我的正则表达式。为什么?我该如何解决这个问题?
我用过这个:
def textOf(soup):
return u''.join(soup.findAll(text=True))
So...
texts = [textOf(n) for n in soup.findAll('a', href=re.compile('^notizia.php\?idn=\d+'))]
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)