Supprimer une balise à l'aide de BeautifulSoup mais garder son contenu

La stratégie que j'ai utilisée, c'est de remplacer une étiquette avec son contenu s'ils sont de type NavigableString et s'ils ne le sont pas, puis, de manière récursive en eux et de les remplacer leur contenu avec NavigableString, etc. Essayez ceci:

from BeautifulSoup import BeautifulSoup, NavigableString

def strip_tags(html, invalid_tags):
    soup = BeautifulSoup(html)

    for tag in soup.findAll(True):
        if tag.name in invalid_tags:
            s = ""

            for c in tag.contents:
                if not isinstance(c, NavigableString):
                    c = strip_tags(unicode(c), invalid_tags)
                s += unicode(c)

            tag.replaceWith(s)

    return soup

html = "<p>Good, <b>bad</b>, and <i>ug<b>l</b><u>y</u></i></p>"
invalid_tags = ['b', 'i', 'u']
print strip_tags(html, invalid_tags)

Le résultat est:

<p>Good, bad, and ugly</p>

J'ai donné la même réponse à une autre question. Il semble venir d'en haut beaucoup.

Bien que cela a déjà été mentoned par d'autres personnes dans les commentaires, je pensais que je poste une réponse complète montrant comment le faire avec Mozilla eau de Javel. Personnellement, je pense que c'est beaucoup plus agréable que d'utiliser BeautifulSoup pour cela.

import bleach
html = "<b>Bad</b> <strong>Ugly</strong> <script>Evil()</script>"
clean = bleach.clean(html, tags=[], strip=True)
print clean # Should print: "Bad Ugly Evil()"

vous pouvez utiliser de la soupe.texte

.le texte supprime toutes les balises et les concaténer l'ensemble du texte.

Aucune proposé répondu semblait fonctionner avec BeautifulSoup pour moi. Voici une version qui fonctionne avec BeautifulSoup 3.2.1, et insère également un espace lors de l'adhésion du contenu provenant de différentes étiquettes plutôt que la concaténation de mots.

def strip_tags(html, whitelist=[]):
    """
    Strip all HTML tags except for a list of whitelisted tags.
    """
    soup = BeautifulSoup(html)

    for tag in soup.findAll(True):
        if tag.name not in whitelist:
            tag.append(' ')
            tag.replaceWithChildren()

    result = unicode(soup)

    # Clean up any repeated spaces and spaces like this: '<a>test </a> '
    result = re.sub(' +', ' ', result)
    result = re.sub(r' (<[^>]*> )', r'', result)
    return result.strip()

Exemple:

strip_tags('<h2><a><span>test</span></a> testing</h2><p>again</p>', ['a'])
# result: u'<a>test</a> testing again'

Ici est la meilleure solution sans tracas et de code réutilisable pour filtrer les balises de conserver le contenu.Disons que vous voulez supprimer tous les enfants des balises à l'intérieur de la balise parent et vous voulez juste pour garder le contenu/texte ensuite,vous pouvez tout simplement faire:

for p_tags in div_tags.find_all("p"):
    print(p_tags.get_text())

C'est elle et vous pouvez être libre avec tous les br ou i b de balises à l'intérieur de la mère de balises et d'obtenir le propre texte.

Ici est un python 3 version imprimable de cette fonction:

from bs4 import BeautifulSoup, NavigableString
invalidTags = ['br','b','font']
def stripTags(html, invalid_tags):
    soup = BeautifulSoup(html, "lxml")
    for tag in soup.findAll(True):
        if tag.name in invalid_tags:
            s = ""
            for c in tag.contents:
                if not isinstance(c, NavigableString):
                    c = stripTags(str(c), invalid_tags)
                s += str(c)
            tag.replaceWith(s)
    return soup