如何清理爬虫数据中一些不需要的 HTML 属性 - V2EX
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
jayan2358
V2EX    Python

如何清理爬虫数据中一些不需要的 HTML 属性

  •  
  •   jayan2358 2018-04-08 11:46:16 +08:00 4656 次点击
    这是一个创建于 2746 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?

    10 条回复    2018-04-09 10:22:56 +08:00
    xgzxy
        1
    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
        2
    sheep3  
       2018-04-08 12:02:59 +08:00   1
    直接正则 replaceAll("<\S+\s(.*?)>","")
    唔..... 大概有这种语法吧.....
    Daniel65536
        3
    Daniel65536  
       2018-04-08 12:17:15 +08:00 via iPhone   2
    lxml.html.clean
    hanxiV2EX
        4
    hanxiV2EX  
       2018-04-08 12:19:54 +08:00 via Android
    二楼的正则可以搞定吧
    woscaizi
        5
    woscaizi  
       2018-04-08 12:48:55 +08:00 via iPhone
    Xpath 语法可解
    jayan2358
        7
    jayan2358  
    OP
       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
        8
    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
        9
    qsnow6  
       2018-04-08 22:14:25 +08:00
    都让开,看我这个贴: t/342064#reply12
    soulmine
        10
    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
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     3718 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 31ms UTC 00:44 PVG 08:44 LAX 17:44 JFK 20:44
    Do have faith in what you're doing.
    ubao snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86