如何在BeautifulSoup中删除包含指定域名链接的父级元素

实现代码 #

from bs4 import BeautifulSoup

# 传入待处理的原始HTML
raw_html = '''
<pre><code>&lt;strong&gt;&lt;a href=&quot;https://www.fertilizer.com/2021/07/bvfcl.html&quot; target=&quot;_blank&quot;&gt;Fertilizer Corporation Limited&lt;/a&gt; (BVFCL)&lt;/strong&gt; has released an employment notification for the recruitment of &lt;strong&gt;11 DGM, Company Secretary, Finance Manager and Accounts Officer Vacancy&lt;/strong&gt; 
</code></pre>
'''

# 解析HTML
soup = BeautifulSoup(raw_html, 'html.parser')

# 筛选所有href属性包含fertilizer.com的a标签
target_a = soup.find_all('a', href=lambda val: val and 'fertilizer.com' in val)

for a_node in target_a:
    # 若只需删除a标签的直接父元素（示例中为strong标签），替换为a_node.parent.decompose()即可
    # 要实现示例输出null的效果，直接定位最外层的pre标签删除
    pre_parent = a_node.find_parent('pre')
    if pre_parent:
        pre_parent.decompose()

# 校验剩余内容，为空输出null
result = soup.get_text(strip=True)
print('null' if not result else soup)

操作说明 #

• 用find_all加lambda筛选器可以精准定位所有href带目标域名的a标签，避免误删其他内容
• BeautifulSoup中每个节点都有.parent属性可以直接获取直接父级，如果要找更上层的指定父标签，用.find_parent(标签名)方法更稳妥，不需要手动数层级
• decompose()方法会直接把当前节点和所有子节点从DOM树中彻底移除，不需要额外操作

内容的提问来源于stack exchange，提问作者Sainita