只从HTML文件中获取脚本
提问于 2017-07-17 08:29:18
我有一个大的html文件，其中包含完整的代码从一个网站。我只关心<script>...<script/>内部的代码。有没有一种方法可以轻松地将这些行从html文件中删除？或者我必须将文件拆分为每个<script>？我想忽略第一个<script>之前的部分(比如head)，我需要忽略文件末尾的标记，以及中间的标记，比如它从<head>切换到<body>的位置。
回答 2
Stack Overflow用户
回答已采纳
发布于 2017-07-17 09:18:52
如果要删除所有脚本标记：
from bs4 import BeautifulSoup
pagehtml = '''
<li> Text 1 </li>
<script>
<li> Text 2 </li>
<li> Text 3 </li>
</script>
<li> Text 4 </li>
<script>
<li> Text 5 </li>
</script>
'''
soup = BeautifulSoup(pagehtml, 'html.parser')
[s.extract() for s in soup.findAll('script')]>>> soup
<li> Text 1 </li>
<li> Text 4 </li>
>>>Stack Overflow用户
发布于 2017-07-17 08:42:35
要解析html，建议使用像BeautifulSoup这样的html解析器库，这项工作并不难：
from bs4 import BeautifulSoup
pagehtml = '''
<li> Text 1 </li>
<script>
<li> Text 2 </li>
<li> Text 3 </li>
</script>
<li> Text 4 </li>
<script>
<li> Text 5 </li>
</script>
'''
soup = BeautifulSoup(pagehtml, 'html.parser')现在，要返回一个包含所有script标记的列表(它是内部的)，我们需要：
>>> soup.findAll("script")
[<script>
<li> Text 2 </li>
<li> Text 3 </li>
</script>, <script>
<li> Text 5 </li>
</script>]因此，第一个问题是：
>>> soup.findAll("script")[0]
<script>
<li> Text 2 </li>
<li> Text 3 </li>
</script>第二个问题是：
>>> soup.findAll("script")[1]
<script>
<li> Text 5 </li>
</script>页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/45149279
复制相关文章
腾讯云开发者
