python - tutorial - BeautifulSoup excluye el contenido dentro de una determinada etiqueta(s)

scraping beautifulsoup python

Question

Tengo el siguiente elemento para encontrar el texto en un párrafo:

soup.find("td", { "id" : "overview-top" }).find("p", { "itemprop" : "description" }).text

¿Cómo excluiría todo el texto dentro de una etiqueta <a> ? Algo como in <p> but not in <a> ?

Answer 1

Encuentre y únase a todos los nodos de texto en la etiqueta p y compruebe que su padre no es a etiqueta a:

p = soup.find("td", {"id": "overview-top"}).find("p", {"itemprop": "description"})

print ''''.join(text for text in p.find_all(text=True) 
              if text.parent.name != "a")

Demostración (no ver el link text impreso):

>>> from bs4 import BeautifulSoup
>>> 
>>> data = """
... <td id="overview-top">
...     <p itemprop="description">
...         text1
...         <a href="google.com">link text</a>
...         text2
...     </p>
... </td>
... """
>>> soup = BeautifulSoup(data)
>>> p = soup.find("td", {"id": "overview-top"}).find("p", {"itemprop": "description"})
>>> print p.text

        text1
        link text
        text2
>>>
>>> print ''''.join(text for text in p.find_all(text=True) if text.parent.name != "a")

        text1

        text2

Answer 2

Usando lxml,

import lxml.html as LH

data = """
<td id="overview-top">
    <p itemprop="description">
        text1
        <a href="google.com">link text</a>
        text2
    </p>
</td>
"""

root = LH.fromstring(data)
print(''''.join(root.xpath(
    ''//td[@id="overview-top"]//p[@itemprop="description"]/text()'')))

rendimientos

        text1

        text2

Para obtener también el texto de etiquetas secundarias de <p> , solo use una doble barra diagonal hacia adelante, //text() , en lugar de una sola barra diagonal:

print(''''.join(root.xpath(
    ''//td[@id="overview-top"]//p[@itemprop="description"]//text()'')))

rendimientos

        text1
        link text
        text2