1
Я получаю данные xml от api.careerbuilder.com В частности, строка содержит некоторые html-объекты, которые я хочу удалить, без эффекта!Удаление html-тегов и сущностей из строки в python
Я попытался сделать это:
import re
re.sub('\<.*?\>', '', job_title_text)
и это
from html.parser import HTMLParser
class MLStripper(HTMLParser):
def __init__(self):
self.reset()
self.fed = []
def handle_data(self, d):
self.fed.append(d)
def get_data(self):
return ''.join(self.fed)
def strip_tags(html):
s = MLStripper()
s.feed(html)
return s.get_data()
strip_tags(job_title_text)
и, наконец, это
import lxml.html
(lxml.html.fromstring(job_title_text)).text_content()
Но все они были неудачными. Второй подход удалил html-объекты, такие как «& amp», но текст внутри тегов остался, например, «pbrspan». Третий один полностью разрушила все, никаких данных не было показано на всех, а
< связанный метод HtmlElement.text_content из < элементов HTML в 0x33717d8>>
Наконец, я подозреваю, что у меня есть регулярное выражение написанное совершенно неверно. Любые идеи, как это можно обрабатывать?
' text_content' - это метод, а не атрибут - это значит, что вам нужно вызвать его ('text_content()'), чтобы он мог принести что-нибудь полезное. –
@MaxNoel ах, извините, вы правы, это опечатка –