python-72：BS4中的clear()，extract()，decompose()

2019独角兽企业重金招聘Python工程师标准>>>

前面我们已经将正文内容获取出来了，其实到这里已经可以完成这个实例的要求了，但是我在结果中发现一些乱入的字符

就是这些红色框框圈出来的符号，本来这是不影响使用的，但对于轻微强迫症的我来说，这实在是有点不爽，所以我要想办法将这些烦人的小符号去掉。

首先，通过对源码的分析，我发现这些符号代表的是一个链接

<h1>快速开始<a class="headerlink" href="#id4" title="永久链接至标题">¶</a></h1>
<h1>安装 Beautiful Soup<a class="headerlink" href="#id5" title="永久链接至标题">¶</a></h1>

首先，这是一个<h1>标签，代表的是标题，我当然不能把这部分给删除了，<h1>标签里面包含<a>标签，而且它们的属性都是一样的，class="headerlink"，所以我现在的做法应该是只删除<h1>标签里面带有 class="headerlink" 的<a>标签，BS4中有没有能实现这个功能的函数呢？

clear()
clear() 方法移除当前tag的内容:

extract()
extract() 方法将当前tag移除文档树,并作为方法结果返回:

decompose()
decompose() 方法将当前节点移除文档树并完全销毁:

这就是传说中BS4的删除三兄弟，理论上，这三个方法应该都是可以实现我们的功能的，既然要用到这几个功能，我们就来看看它们的用法和区别，为了方便统一说明，我这里直接在一段代码中实现使用和对比

#!/usr/bin/env python
# -*- coding:UTF-8 -*-
__author__ = '217小月月坑'
'''
BS4删除三兄弟对比
'''

from bs4 import BeautifulSoup
# clear() 方法移除当前tag的内容:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_clear = soup.a
i_clear = soup.i.clear()
# extract() 方法将当前tag移除文档树,并作为方法结果返回
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_extract = soup.a
i_extract = soup.i.extract()
# decompose() 方法将当前节点移除文档树并完全销毁
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_decompose = soup.a
i_decompose = soup.i.decompose()
# 输出
print a_clear         # <a href="http://example.com/">I linked to <i></i></a>
print i_clear         # None
print a_extract       # <a href="http://example.com/">I linked to </a>
print i_extract       # <i>example.com</i>
print a_decompose     # <a href="http://example.com/">I linked to </a>
print i_decompose     # None

结果分析：

首先先说a_*，这个变量显示的是使用三种方法后原来的字符串变成什么样子，首先，clear 的结果中还保留有<i></i>，而它的函数功能的描述是移除tag的内容，结果也是和它的描述相符合的，只是移除了tag的内容，它的标签并没有被移除，而extract 和 decompose 方法是移除当前tag的文档树，所以它们两个的a_*输出中并没有<i></i>

i_* 是执行函数的返回值，也就是说，执行这些方法之后，会不会将删除的东西返回，更直白的理解是能不能看到删除了什么东西。其中只有extract方法的说明中提到有返回值，这里输出的结果中也可以体现

删除三兄弟的用法和区别就简单讲到这里，我们现在关注的主要问题应该是，怎么在我们抠出来的正文的代码块中将含有class="headerlink" 属性的标签删除

啊，这里真的是，接着讲的话又太长，转到下一小节的话又显得我有点短小，所以我决定在这里聊点别的

最近经同事介绍发现了一个很有价值的网站：stackoverflow ，中文名叫堆栈溢出，不过我更喜欢它的另一个名字，爆栈，这是国外的一个专门的程序员论坛，你可以到上面提问也可以回答问题，说实话，对于技术这方面的东西，我还是比较认可老外的，所以，经常去上面逛的话，应该会有很多的收获，但是有一些不好的方面就是这个网站加载得真的很慢，而且全部都是英文的，反正大不了也刚好练练自己的 poor english

好了，收拾收拾，准备进入下一小节去解决我们的问题

转载于:https://my.oschina.net/u/2429887/blog/597121