¿Se pueden eliminar las etiquetas de script y todo su contenido de HTML con BeautifulSoup, o tengo que usar expresiones regulares u otra cosa?
Respuestas:
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('<script>a</script>baba<script>b</script>', 'lxml')
>>> for s in soup.select('script'):
>>> s.extract()
>>> soup
baba[s.extract() for s in soup(['iframe', 'script'])]Tenga en cuenta que para usar múltiples etiquetas, el parámetro debe ser una lista
'<script class="blah">a</script>baba<script id="blahhhh">b</script>':? ¿Es lo mismo?
<html><head></head><body><p>baba</p></body></html>
Respuesta actualizada para aquellos que puedan necesitar una referencia futura: la respuesta correcta es.
decompose()
Puede utilizar diferentes formas, pero decomposefunciona en el lugar.
Uso de ejemplo:
soup = BeautifulSoup('<p>This is a slimy text and <i> I am slimer</i></p>')
soup.i.decompose()
print str(soup)
#prints '<p>This is a slimy text and</p>'Bastante útil para deshacerse de detritos como 'script', 'img' y así sucesivamente.
decomposey extractes que este último devuelve lo que se eliminó, mientras que el primero simplemente lo destruye. Así que esta es la respuesta más precisa a la pregunta, pero los otros métodos funcionan.
removecontenido. A menudo se utiliza para limpiar HTML de etiquetas y formato innecesarios.
Como se indica en la ( documentación oficial ), puede usar el extractmétodo para eliminar todo el subárbol que coincida con la búsqueda.
import BeautifulSoup
a = BeautifulSoup.BeautifulSoup("<html><body><script>aaa</script></body></html>")
[x.extract() for x in a.findAll('script')]