美化组上标不是“sup”

所讨论的元素的格式如下:

<font size="1" style="font-size:6.5pt;font-weight:bold;position:relative;top:-3.0pt;">1</font>

所以我们可以看到他们正在用一种字体格式化文本,这种字体的重要部分是 position:relative 和 top: 价值观。我会亲自编写一个可以扩展的函数来检测上标并删除它们。例如:

def Remove_Superscripts(soup):
    # Simple superscript extraction
    for element in soup.find_all('sup'):
        element.extract()

    # More complex superscript extraction for this example:
    for element in soup.find_all(lambda e: e and e.name == 'font' and e.has_attr('style') and
                                           'position:relative' in e['style'] and
                                           'top:' in e['style']:
        element.extract()

这是一个非常懒惰和混乱的例子,但是它应该让您了解如何删除没有用 <sup\> 标签。不幸的是,每次遇到有人以不同方式构造上标的新情况时,您都需要扩展和修改此方法(我将尽可能使其开放和通用)。

像这样的:

fonts = soup.select('font[style*="position:relative"]')
for font in fonts:
    font.decompose()