如何去除html源码中的标签？
我尝试去抓取糗事百科。
Request=urllib.request.Request(url=url,headers=headers)
response=urllib.request.urlopen(Request).read()
raw_data=response.decode('utf-8')
这里是可以出现html源码的
soup=BeautifulSoup(raw_data)
content=soup.find_all('div', {'class':'content'})
这里可以提取出
<div 'class'='content'>
xxxxx
</div>
这样的内容的如果我想去除
<div 'class'='content>
</div>
我该怎么做，我尝试的网上的一种方法但是报错
content=[s.extract() for s in content('div')]
报错
TypeError: 'ResultSet' object is not callable
python3.x beautifulsoup python-爬虫
shikii
9 years, 4 months ago
Answers
//取得网页的文本(去掉CSS HTML JavaScript脚本等)
public String GetText(String strTemp, int lengthlimit)
{
strTemp = System.Text.RegularExpressions.Regex.Replace(strTemp, "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\s]*?>", "");
string str2Temp = System.Text.RegularExpressions.Regex.Replace(strTemp, "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>", "");
string str3Temp = System.Text.RegularExpressions.Regex.Replace(str2Temp, "<[^>]+>", "");
//return System.Text.RegularExpressions.Regex.Replace(str3Temp, "", "");
if (lengthlimit != 0)
{
if (str3Temp.Length >= lengthlimit)
{
str3Temp = str3Temp.Substring(0, lengthlimit);
}
}
return str3Temp;
}
pathua
answered 9 years, 4 months ago
http://segmentfault.com/q/1010000002448667
可以看看这个，我之前问个的一个问题
DZC死人
answered 9 years, 4 months ago