如何清理爬虫数据中一些不需要的 HTML 属性

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2444 天前的主题，其中的信息可能已经有所发展或是发生改变。

比如对于以下数据

<p id="a">data</p>

我只想保留

<p>data</p>

该如何操作，有快捷的方法吗？

Data

HTML

清理

属性

10 条回复 • 2018-04-09 10:22:56 +08:00

xgzxy

2018-04-08 11:53:10 +08:00

用 text()提取出文本吧，就能取出 data 了吧

sheep3

2018-04-08 12:02:59 +08:00

直接正则 replaceAll("<\S+\s(.*?)>","")
唔..... 大概有这种语法吧.....

Daniel65536

2018-04-08 12:17:15 +08:00 via iPhone

lxml.html.clean

hanxiV2EX

2018-04-08 12:19:54 +08:00 via Android

二楼的正则可以搞定吧

woscaizi

2018-04-08 12:48:55 +08:00 via iPhone

Xpath 语法可解

rayhy

2018-04-08 14:48:29 +08:00

https://stackoverflow.com/questions/10037289/remove-class-attribute-from-html-using-python-and-lxml

jayan2358

2018-04-08 16:49:41 +08:00

@woscaizi
/text() 吗，我还是要保留 html 标签的，毕竟内容里有 img

Luckyray

2018-04-08 16:58:36 +08:00

为什么要保留 html 文件？保存下来想要的数据不行吗

qsnow6

2018-04-08 22:14:25 +08:00

都让开，看我这个贴： https://www.v2ex.com/t/342064#reply12

soulmine

2018-04-09 10:22:56 +08:00

@jayan2358 你要 img 直接 attr 取嘛和你 text 不矛盾啊