BeautifulSoup - 删除 MS Word 特定标签？

Question

我有从 MS Word 保存的 html 文档，现在它有一些与 MS Word 相关的标签。我不需要与它保持任何向后兼容性，我只需要从该文件中提取内容。问题是单词特定标签不容易被删除。

我有这个代码：

from bs4 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

它删除不需要的标签。但即使使用此方法后，仍有一些残留。 例如看这个：

<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">Some text - 
some content<o:p></o:p></SPAN></P>
<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">some text2 - 
647894654<o:p></o:p></SPAN></P>
<P class="MsoNormal"><SPAN style="mso-bidi-font-weight: bold;">some text3 - 
some content blabla<o:p></o:p></SPAN></P>

这就是 html 文档中的样子。当我使用这样的方法时：

invalid_tags = ['span']
stripped = strip_tags(html_file, invalid)
print stripped

打印出来是这样的：

<p class="MsoNormal">Some text - 
some content&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>
<p class="MsoNormal">some text2 - 
647894654&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>
<p class="MsoNormal">some text3 - 
some content blabla&lt;html&gt;&lt;body&gt;&lt;o:p&gt;&lt;/o:p&gt;&lt;/body&gt;&lt;/html&gt;</p>

正如您所看到的，由于某种原因

html

和

body

标签出现在那里，即使在 html 中它不存在。如果我添加

invalid_tags = ['span', 'o:p']

，它会删除

<o:p></o:p>

标签，但如果我添加删除 html 或 body 标签，它不会执行任何操作，并且仍然保留在那里。

附注如果我直接更改查找标签的位置，我可以删除那里的

html

标签。例如，通过在方法中添加此行（在使用

findAll

之前）

soup = soup.body

。但在此之后，

body

标签仍然挂在那些特定的段落中。

Answer 1

你可以试试这个：

from bs4 import BeautifulSoup
def strip_tags(html, invalid_tags):
    soup = BeautifulSoup(html)
    for t in invalid_tags:
        tag = soup.find_all(t)
        if tag:
            for item in tag:
                item.unwrap()
    return str(soup)

然后你只需要去掉 html 和 body 标签即可。

Answer 2

要消除Word标签，只需使用“另存为”/“html - 过滤”选项保存Word文档即可。 过滤后，所有标准 html 标记都保持不变，但删除了 Word 格式标记。 如果有必要，您可以使用 BeautifulSoup 进行更多整理。