如何去除html源码中的标签？

Question

我尝试去抓取糗事百科。

Request=urllib.request.Request(url=url,headers=headers)
response=urllib.request.urlopen(Request).read()
raw_data=response.decode('utf-8')

这里是可以出现html源码的

soup=BeautifulSoup(raw_data)
content=soup.find_all('div', {'class':'content'})

这里可以提取出

<div 'class'='content'>
xxxxx
</div>

这样的内容的如果我想去除

<div 'class'='content>
</div>

我该怎么做，我尝试的网上的一种方法但是报错

content=[s.extract() for s in content('div')]

报错

TypeError: 'ResultSet' object is not callable

Answer 1

http://segmentfault.com/q/1010000002448667

可以看看这个，我之前问个的一个问题

Answer 2

//取得网页的文本(去掉CSS HTML JavaScript脚本等)
        public String GetText(String strTemp, int lengthlimit)
        {
            strTemp = System.Text.RegularExpressions.Regex.Replace(strTemp, "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\s]*?>", "");
            string str2Temp = System.Text.RegularExpressions.Regex.Replace(strTemp, "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*?>", "");
            string str3Temp = System.Text.RegularExpressions.Regex.Replace(str2Temp, "<[^>]+>", "");
            //return System.Text.RegularExpressions.Regex.Replace(str3Temp, "", "");
            if (lengthlimit != 0)
            {
                if (str3Temp.Length >= lengthlimit)
                {
                    str3Temp = str3Temp.Substring(0, lengthlimit);
                }
            }
            return str3Temp;
        }

Answer 3

用正则去提取标签里的内容

Answer 4

全部都提取后，采用string.replace来替换，这样应该也是可以做到一个蹩脚的方案

Answer 5

最好的方式还是用正则表达式

Answer 6

不知道问题什么意思？是只要里面的内容，还是不要里面的内容只要标签呢？
如果是内容的话，那bs有直接的方法：content[0].get_text()，你代码里面的content是一个结果集。
如果不要内容只要标签的话也好办，
假设full字符串为：

<div 'class'='content'>
xxxxx
</div>

而text字符串为："xxxxx"
那么直接用full.replace("xxxxx", '')去掉就好啦。