BeautifulSoup如何排除p标签下嵌套的指定img元素？

做网页数据抓取时，需要提取目标页面所有h1、p标签内容输出为HTML文件，页面仅包含1个h1标签，存在多个p标签。初始代码提取时，会把p标签内嵌套的返回顶部按钮img元素（DOM路径为p.a.img）一并提取，对最终输出造成干扰。
初始实现代码如下：

from bs4 import BeautifulSoup as bs
import requests

url = 'https://chhouk-krohom.com/%E1%9E%91%E1%9E%B8%E1%9E%83%E1%9E%93%E1%9E%B7%E1%9E%80%E1%9E%B6%E1%9E%99%E1%9F%A1%E1%9F%A4/'

response = requests.get(url)
soup = bs(response.content, 'html.parser')

contents = soup.find_all(['h1', 'p'])
for content in contents:
    print(content)

content = soup.prettify()
with open('sutta.html', 'wt', encoding='utf-8') as file:
    file.write(str(content))

遍历提取到的h1、p标签时，递归查找标签下所有img元素，直接从DOM结构中移除即可，修改后代码如下：

from bs4 import BeautifulSoup as bs
import requests

url = 'https://chhouk-krohom.com/%E1%9E%91%E1%9E%B8%E1%9E%83%E1%9E%93%E1%9E%B7%E1%9E%80%E1%9E%B6%E1%9E%99%E1%9F%A1%E1%9F%A4/'

response = requests.get(url)
soup = bs(response.content, 'html.parser')

contents = soup.find_all(['h1', 'p'])
output_soup = bs('', 'html.parser')

for content in contents:
    # 递归删除当前标签下所有层级的img元素
    for img in content.find_all('img', recursive=True):
        img.decompose()
    output_soup.append(content)

with open('sutta.html', 'wt', encoding='utf-8') as file:
    file.write(output_soup.prettify())

关键逻辑说明 #

• content.find_all('img', recursive=True) 会匹配当前标签下任意嵌套层级的img元素，不管是p标签直接子元素，还是藏在a标签等子节点内的img都能被找到
• decompose() 方法会将匹配到的元素从DOM树中彻底移除，不会残留多余标签
• 单独构建输出用的soup对象存储过滤后的内容，避免把原页面中不需要的其他节点写入最终HTML文件

内容的提问来源于stack exchange，提问作者Mortus Pect