使用Jsoup移除td中的sup元素文本失败，寻求解决方法

看起来你是在网页抓取时遇到了td标签里混着sup引用标记的问题，我给你几个靠谱的处理方法，分场景适用：

方法1：先移除sup元素再提取文本（最推荐，结构化处理） #

如果你用的是Python的BeautifulSoup，直接从DOM结构里删掉不需要的sup标签，再取文本就干净了：

from bs4 import BeautifulSoup

# 假设你已经拿到了目标td的HTML内容
td_html = """<td>
L.A. Confidential (film) Curtis Hanson 138 minutes
L.A. Story Mick Jackson 98 minutes<sup>[1]</sup>
L.I.E. Michael Cuesta 97 minutes<sup>[1]</sup>
L.O.R.D: Legend of Ravaging Dynasties Guo Jingming 117 minutes<sup>[2]</sup>
</td>"""

soup = BeautifulSoup(td_html, 'html.parser')
target_td = soup.find('td')

# 遍历删除所有sup标签
for sup_tag in target_td.find_all('sup'):
    sup_tag.decompose()

# 提取整理后的文本
clean_text = target_td.get_text(strip=True, separator=' ')
print(clean_text)

运行后会输出：

L.A. Confidential (film) Curtis Hanson 138 minutes L.A. Story Mick Jackson 98 minutes L.I.E. Michael Cuesta 97 minutes L.O.R.D: Legend of Ravaging Dynasties Guo Jingming 117 minutes

方法2：遍历子节点，跳过sup元素取文本 #

如果不想修改原DOM结构，可以逐个检查td的子节点，只收集非sup元素的内容：

clean_content = []
for child in target_td.contents:
    # 跳过sup标签
    if child.name != 'sup':
        # 处理文本节点和其他元素的文本
        content = child.strip() if isinstance(child, str) else child.get_text(strip=True)
        if content:
            clean_content.append(content)

clean_text = ' '.join(clean_content)
print(clean_text)

备选方案：正则替换（适合已拿到带标记的文本后处理） #

如果你已经得到了带[1]这类标记的原始文本，也可以用正则直接替换掉这些引用标记：

import re

raw_text = "L.A. Confidential (film) Curtis Hanson 138 minutes L.A. Story Mick Jackson 98 minutes[1] L.I.E. Michael Cuesta 97 minutes[1] L.O.R.D: Legend of Ravaging Dynasties Guo Jingming 117 minutes[2]"
# 替换掉所有[数字]格式的标记
clean_text = re.sub(r'\[\d+\]', '', raw_text)
# 清理多余的空格
clean_text = re.sub(r'\s+', ' ', clean_text).strip()
print(clean_text)

为啥之前的方法失效？ #

如果之前你直接用td.get_text()，它会把所有子元素（包括sup标签里的文本）全部合并，所以才会带出[1]这类标记。上面的方法要么提前移除sup元素，要么跳过sup的内容，自然就能得到干净的结果了。

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