Preguntas etiquetadas con html-content-extraction

Cerrada . Esta pregunta necesita estar más centrada . Actualmente no está aceptando respuestas. ¿Quieres mejorar esta pregunta? Actualice la pregunta para que se centre en un problema solo editando esta publicación . Cerrado hace 6 años . Mejora esta pregunta Estoy pensando en probar Beautiful Soup , un paquete …

406 html  web-scraping  html-parsing  html-content-extraction 

Me gustaría extraer el texto de un archivo HTML usando Python. Quiero esencialmente el mismo resultado que obtendría si copiara el texto de un navegador y lo pegue en el bloc de notas. Me gustaría algo más robusto que usar expresiones regulares que pueden fallar en HTML mal formado. He …

243 python  html  text  html-content-extraction 

Quiero una expresión regular para extraer el título de una página HTML. Actualmente tengo esto: title = re.search('<title>.*</title>', html, re.IGNORECASE).group() if title: title = title.replace('<title>', '').replace('</title>', '') ¿Existe una expresión regular para extraer solo el contenido de <título> para que no tenga que eliminar las etiquetas?

130 python  html  regex  html-content-extraction 

Básicamente, quiero usar BeautifulSoup para tomar estrictamente el texto visible en una página web. Por ejemplo, esta página web es mi caso de prueba. Y principalmente quiero obtener el texto del cuerpo (artículo) y tal vez incluso algunos nombres de pestañas aquí y allá. He intentado la sugerencia en esta …

124 python  text  beautifulsoup  html-content-extraction