Beautiful Soup
Beautiful Soup 是一个 Python 包，用于解析 HTML 和 XML 文档（包括格式错误的标记，即未闭合的标签，因此以标签汤命名）。它为解析的页面创建一个解析树，可用于从 HTML 中提取数据，[3] 这对于网络抓取非常有用。
Beautiful Soup 提供对 HTML 内容的细粒度控制，从而可以进行特定的标签提取、删除和内容清理。
它适用于您想要提取特定信息并根据您的需求清理 HTML 内容的情况。
例如，我们可以从 HTML 内容中抓取 <p>, <li>, <div>, 和 <a> 标签内的文本内容
-
<p>: 段落标签。它定义了 HTML 中的段落，用于将相关的句子和/或短语组合在一起。 -
<li>: 列表项标签。它在有序 (<ol>) 和无序 (<ul>) 列表中使用，以定义列表中的各个项目。 -
<div>: division 标签。它是一个块级元素，用于对其他内联或块级元素进行分组。 -
<a>: 锚标签。它用于定义超链接。
from langchain_community.document_loaders import AsyncChromiumLoader
from langchain_community.document_transformers import BeautifulSoupTransformer
# Load HTML
loader = AsyncChromiumLoader(["https://www.wsj.com"])
html = loader.load()
# Transform
bs_transformer = BeautifulSoupTransformer()
docs_transformed = bs_transformer.transform_documents(
html, tags_to_extract=["p", "li", "div", "a"]
)
docs_transformed[0].page_content[0:500]
'Conservative legal activists are challenging Amazon, Comcast and others using many of the same tools that helped kill affirmative-action programs in colleges.1,2099 min read U.S. stock indexes fell and government-bond prices climbed, after Moody’s lowered credit ratings for 10 smaller U.S. banks and said it was reviewing ratings for six larger ones. The Dow industrials dropped more than 150 points.3 min read Penn Entertainment’s Barstool Sportsbook app will be rebranded as ESPN Bet this fall as '