求助：使用BeautifulSoup解析PDF转HTML时移除签名干扰文本

1. 导入依赖库

from bs4 import BeautifulSoup
import re

2. 加载HTML文件

with open("目标HTML文件路径", "r", encoding="utf-8") as f:
    soup = BeautifulSoup(f.read(), "html.parser")

3. 定义签名文本匹配规则
   根据实际干扰内容补充正则表达式：

# 匹配常见签名相关提示文本，可按需扩展
signature_regex = re.compile(
    r"signature not verified|Invalid signature|Signature.*not valid",
    re.IGNORECASE
)

4. 遍历
5. 标签清理文本

for li in soup.find_all("li"):
    # 遍历<li>内的所有文本节点，替换匹配到的签名内容
    for text_node in li.find_all(string=True):
        cleaned_text = signature_regex.sub("", text_node)
        text_node.replace_with(cleaned_text)

方法2：直接移除签名相关子标签 #

如果签名内容被包裹在特定标签（如带signature类的元素）中，可直接定位并删除这些标签：

# 匹配所有class含signature的标签，直接移除
for signature_tag in soup.find_all(class_=re.compile("signature", re.IGNORECASE)):
    signature_tag.decompose()

保存处理后的HTML #

with open("清理后的HTML文件路径", "w", encoding="utf-8") as f:
    f.write(str(soup))

额外建议 #

• 先查看HTML源码，确认签名干扰内容的具体格式：是纯文本混入，还是有独立的标签包裹，再选择对应方法。
• 若条件允许，可尝试在Adobe Acrobat转换PDF到HTML时，调整转换设置排除签名相关元素，从源头避免干扰。

内容的提问来源于stack exchange，提问作者Ajay Senthilrajan