去除不必要的内层标签

Question

我们正在通过一些外部转换工具把DOCX文件转换成HTML格式。

生成的HTML中关于表格的部分大概是这样的：

<td><div><span><b>Patienten</b></span></div></td>

在这个表格的单元格（TD）里面，<div>和<span>标签完全是多余的。

我们希望得到的结果是：

<td><b>Patienten</b></td>

有没有什么办法可以用BeautifulSoup合理地去掉这些多余的标签呢？

Answer 1

你可以像这样重新排列解析树：

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup("<td><div><span><b>Patienten</b></span></div></td>")
td = soup.td
b = soup.td.div.span.b
td.insert(0,b)
td.div.extract()
print soup

Answer 2

我们的方法是使用lxml来确定每个元素的父元素和子元素。如果父元素和子元素之间没有文本内容的差异，我们就会遵循一套规则，保留某些子元素，同时丢掉父元素。然后，我们会强制使用合适的块级元素。在你的例子中，b是span、div和td的子元素，我们知道td标签是相关的结构元素，所以我们会把其他的去掉。同样，这需要测试每个嵌套元素的文本内容。

Answer 3

好吧，<div> 和 <span> 标签是有结构意义的，不能简单地认为它们是“多余的”。

你的问题看起来很像编译器中的抽象语法树（AST）优化。你可以尝试定义一些规则，创建一个 SoupOptimizer，让它处理一棵树（你的文档），然后生成一个优化后的输出树。规则可以是：

• 如果 span 标签没有属性，就可以简化为内容：span(content) -> content
• 如果 div 标签没有属性，也可以简化为内容：div(content) -> content

需要注意的是，XML方言的树转换可以通过XSLT来完成。不过，准备好在理解之前脑袋要转个圈哦！