我正在尝试’defrontpagify’MS FrontPage生成的网站的html,我正在写一个BeautifulSoup脚本来做它.
但是,我试图从包含它们的文档中的每个标记中剥离特定属性(或列表属性)的部分.代码段：
REMOVE_ATTRIBUTES = ['lang','language','onmouSEOver','onmouSEOut','script','style','font','dir','face','size','color','class','width','height','hspace','border','valign','align','background','bgcolor','text','link','vlink','alink','cellpadding','cellspacing'] # remove all attributes in REMOVE_ATTRIBUTES from all tags,# but preserve the tag and its content. for attribute in REMOVE_ATTRIBUTES: for tag in soup.findAll(attribute=True): del(tag[attribute])
它运行没有错误,但实际上并没有删除任何属性.当我在没有外部循环的情况下运行它时,只需对单个属性进行硬编码(soup.findAll(‘style’= True),它就可以了.
有人知道这里有问题吗？
PS – 我也不太喜欢嵌套循环.如果有人知道更具功能性的map / filter-ish风格,我很乐意看到它.
解决方法
这条线
for tag in soup.findAll(attribute=True):
没有找到任何标签.可能有一种方法可以使用findAll;我不确定.但是,这有效：
import BeautifulSoup
REMOVE_ATTRIBUTES = [
'lang','cellspacing']
doc = '''<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is <i>paragraph</i> <a onmouSEOut="">one</a>.<p id="secondpara" align="blah">This is <i>paragraph</i> <b>two</b>.</html>'''
soup = BeautifulSoup.BeautifulSoup(doc)
for tag in soup.recursiveChildGenerator():
try:
tag.attrs = [(key,value) for key,value in tag.attrs
if key not in REMOVE_ATTRIBUTES]
except AttributeError:
# 'NavigableString' object has no attribute 'attrs'
pass
print(soup.prettify())