BeautifulSoup - 刪除MS Word特定標籤？

Question

我有從MS Word保存的html文檔，現在它有一些與MS Word相關的標籤。我不需要保持向後兼容性，我只需要從該文件中提取內容。問題在於特定於文字的標籤不會輕易刪除。

我有這樣的代碼：

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 

將刪除不需要它的標籤。但是有些甚至在使用這種方法後仍然存在。 例如看看這個：

<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> 

這是怎麼看的HTML文檔中。當我使用這樣的方法：

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

它打印這樣的：

<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> 

正如你可以看到某種原因html和body標籤出現在那裏，即使在HTML它不存在。如果我添加invalid_tags = ['span', 'o:p']，它將刪除<o:p></o:p>標記，但如果添加刪除html或body標記，則它不會執行任何操作，並且它仍保留在那裏。

P.S.如果我直接更改要查找標籤的位置，我可以在那裏刪除html標籤。例如，通過在方法中添加此行（在使用findAll之前）soup = soup.body。但在此之後，body標籤仍被懸掛在這些特定段落中。

Answer 1

你可以試試這個：

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) 

，那麼你只需要剝去html和body標籤。