Beautiful Soup – получить весь текст, но сохранить ссылку в формате HTML? ⇐ Python

[Anonymous]

Мне нужно обработать большой архив чрезвычайно запутанного HTML, полного посторонних таблиц, диапазонов и встроенных стилей, в уценку.

Я пытаюсь использовать Beautiful Soup для достижения цели эта задача, и моя цель - это, по сути, выходные данные функции get_text(), за исключением сохранения тегов привязки с неповрежденным href.

В качестве примера я хотел бы преобразовать:


HelloWorld

Foo Bar Baz

Example Link: Google



В:

Hello World
Foo Bar Baz
Example Link: Google


До сих пор я думал просто захватить все теги и развернуть их все, если они не являются привязками, но это приводит к тому, что текст повторяется несколько раз как суп. .find_all(True) возвращает рекурсивно вложенные теги как отдельные элементы:

#!/usr/bin/env python

from bs4 import BeautifulSoup

example_html = 'HelloWorld
Foo Bar Baz
Example Link: Google'

soup = BeautifulSoup(example_html, 'lxml')
tags = soup.find_all(True)

for tag in tags:
if (tag.name == 'a'):
print("{}".format(tag['href'], tag.get_text()))
else:
print(tag.get_text())


Который возвращает несколько фрагментов/дубликатов по мере перемещения анализатора вниз по дереву:

HelloWorldFoo Bar BazExample Link: Google
HelloWorldFoo Bar BazExample Link: Google
HelloWorldFoo Bar BazExample Link: Google
HelloWorld
Hello
World

Foo Bar Baz
Baz

Example Link: Google
Google


Подробнее здесь: https://stackoverflow.com/questions/520 ... -link-html