bs4去除html标签,使用BeautifulSoup只从HTML文件中删除特定的表标记

我正在使用beauthulsoup包解析数百个HTML文档。我的代码能够很好地解析整个文档。在

我想根据条件删除所有表标记的内容。因为很少有表(根据HTML标记)实际上可能不是表，而是表中显示的文本。如果一个表的内容有超过75%的字符作为数字，我想把它当作实际的表来处理并删除它，否则我会保留它。在

我是Python新手，不知道如何才能只删除特定表的全部内容。在

假设我的HTML文档是：

100

Hello Word

Test

以下代码将生成整个HTML文档的内容，即

^{pr2}$

我想要的是：Hello Word

Test

请注意，代码还包含一个函数，用于检查文本是否有用。我分别计算字母和数字字符，因为可能有很多空格和其他垃圾字符。在

删除表格中不超过75%的数字字符。还请注意，表不必是文档的直接子级。在from bs4 import BeautifulSoup

import html5lib

def isTableUseful(text): #Returns True if table is to be included

try:

countAlpha = 0

countNumeric = 0

for char in text:

if char.isalpha():

countAlpha += 1

if char.isnumeric():

countNumeric += 1

FracNumeric = countNumeric/(countNumeric+countAlpha)

return FracNumeric < 0.75

except:

return False

soup = BeautifulSoup("

Hello Word", "html5lib")

print ('\n'.join([e.encode("utf-8") for e in soup.recursiveChildGenerator() if isinstance(e,unicode) and e.strip()!=""]))