从HTML中删除空节点
从HTML中删除空节点
提问于 2012-02-19 02:09:55
我们正在从一个内容系统迁移到另一个内容系统，并且有大量的HTML，其中有行，例如，像这样：
<p style="text-align: justify;"><i> </i></p>我正在寻找一种用Python剥离HTML的方法，在那里没有文本输出到屏幕。因此，类似于此的行将被剥离。
而且，这只是许多没有文本输出的行中的一个示例。所以，我需要把它们都找出来脱光。我不必担心图像、电影等，因为在我们的旧内容管理系统中只能使用文本。
顺便说一句，绝大多数代码行要么以p标签开头，要么以div标签开头(忽略前导空格)。
回答 4
Stack Overflow用户
回答已采纳
发布于 2012-02-19 02:31:05
如果超文本标记语言也是一个格式良好的XML文档(这可以通过像这样的工具在预传递中完成)，则执行以下转换：
<xsl:stylesheet version="1.0"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output omit-xml-declaration="yes" indent="yes"/>
<xsl:template match="node()|@*">
<xsl:copy>
<xsl:apply-templates select="node()|@*"/>
</xsl:copy>
</xsl:template>
<xsl:template match="*[not(normalize-space(.))]"/>
</xsl:stylesheet>当应用于任何这样的文档时--例如：
<html>
<body>
Welcome.
<p style="text-align: justify;"><i> </i></p>
</body>
</html>生成所需的结果，其中任何字符串值为空或全为空格的元素都将被删除。
<html>
<body>
Welcome.
</body>
</html>Stack Overflow用户
发布于 2012-02-19 02:34:30
如果你在Unix机器上，这个python脚本应该可以工作：
#!/usr/bin/python
import sys
import os
import subprocess
import tempfile
if len(sys.argv) < 2:
sys.exit("usage: %s HTML_FILE" % sys.argv[0])
stylesheet = '''
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:template match="*[string-length(normalize-space(.)) = 0]"/>
<xsl:template match="@*|node()">
<xsl:copy>
<xsl:apply-templates select="@*|node()"/>
</xsl:copy>
</xsl:template>
</xsl:stylesheet>
'''
stylesheet_file = tempfile.NamedTemporaryFile(suffix='.xslt')
stylesheet_file.write(stylesheet)
stylesheet_file.flush()
p = subprocess.Popen("xsltproc --html %s %s" % (stylesheet_file.name, sys.argv[1]),
shell=True, stdout=subprocess.PIPE)
p.wait()
sys.stdout.write(p.stdout.read())
stylesheet_file.close()Stack Overflow用户
发布于 2012-02-19 06:55:55
如果HTML文件不是有效的XHTML，我建议安装beautifulsoup4和lxml包并使用以下脚本，该脚本删除所有没有文本内容的标记，然后从输出中删除空行：
import sys
from bs4 import BeautifulSoup, element
def no_nl(s):
return str(s).replace("\r", "").replace("\n", "")
if len(sys.argv) != 2:
print "Usage: %s html_file > output" % sys.argv[0]
sys.exit(1)
soup = BeautifulSoup(open(sys.argv[1]))
# first we have to get rid of all comments
for e in soup.find_all():
for x in e.children:
if isinstance(x, element.Comment):
x.replace_with("")
for e in soup.find_all():
if not len(no_nl(e.text).strip()):
e.extract()
for s in str(soup).split("\n"):
if len(s.strip()):
print s以下HTML：
<html><head><title>Title</title>
</head><body>
<div class="abc"><div>
<div><div><span> </span>
</div><![CDATA[ This should vanish from output ]]> </div>
</div></div><p class="title"> <!--blah blah blah comment to remove-->
<p class="title"><b>Something</b> here.
</p><p style="text-align: justify;">aaa<I> x</I><span>blah</span></p>
<p style="text-align: justify;"><I> </I><span></span>
<p><i><b> </b></i></p>
<div style="text-align: justify;"><i> </i></div>
<p class="txt">Spam, spam, lovely spam.
<p> </p></body></html>打印为：
<html><head><title>Title</title></head><body>
<p class="title"><b>Something</b> here.
</p><p style="text-align: justify;">aaa<i> x</i><span>blah</span></p>
<p class="txt">Spam, spam,
lovely spam.</p>
</body></html>页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/9343768
复制相关文章
相似问题
腾讯云开发者
