如何使用BeautifulSoup提取HTML元素文本并保留指定内部标签

实现方案 #

你可以直接移除目标<p>标签下的无用<a>节点，再提取内部HTML内容，比手动操作.contents拼接更规范，具体实现如下：

基础实现（会修改原标签对象） #

from bs4 import BeautifulSoup

# 假设你已获取到目标p标签对象，命名为p_tag
# 移除p标签下所有<a>节点
for a_node in p_tag.find_all("a"):
    a_node.decompose()

# 提取p标签内部完整HTML内容，自动保留<sup>等其余标签
target_content = p_tag.decode_contents()
print(target_content)

• decompose()：将对应节点从DOM树中彻底移除，无返回值
• decode_contents()：返回标签内部的HTML字符串，不会将内部标签转为纯文本，符合你保留<sup>标签的需求

不修改原标签对象的实现 #

如果你需要保留原p标签的完整结构，可以先深拷贝一份再操作：

import copy
from bs4 import BeautifulSoup

p_tag_copy = copy.deepcopy(p_tag)
for a_node in p_tag_copy.find_all("a"):
    a_node.decompose()
target_content = p_tag_copy.decode_contents()

精准过滤要删除的标签 #

如果p标签下还有其他有用的<a>标签需要保留，可以给find_all添加过滤条件，比如仅删除id以_Toc开头的锚点标签：

for a_node in p_tag.find_all("a", id=lambda x: x and x.startswith("_Toc")):
    a_node.decompose()

内容的提问来源于stack exchange，提问作者gammapoint