BeatifulSoup4 get_text все еще имеет javascript

Я пытаюсь удалить все html/javascript, используя bs4, однако он не избавляется от javascript. Я все еще вижу это там с текстом. Как я могу обойти это?

Я попытался использовать nltk, который отлично работает, но clean_html и clean_url будут удалены. Есть ли способ использовать супы get_text и получить тот же результат?

Я пробовал смотреть на другие страницы:

BeautifulSoup get_text не разделяет все теги и JavaScript

В настоящее время я использую устаревшие функции nltk.

ИЗМЕНИТЬ

Вот пример:

import urllib
from bs4 import BeautifulSoup

url = "http://www.cnn.com"
html = urllib.urlopen(url).read()
soup = BeautifulSoup(html)
print soup.get_text()

Я все еще вижу для CNN следующее:

$j(function() {
"use strict";
if ( window.hasOwnProperty('safaripushLib') && window.safaripushLib.checkEnv() ) {
var pushLib = window.safaripushLib,
current = pushLib.currentPermissions();
if (current === "default") {
pushLib.checkPermissions("helloClient", function() {});
}
}
});

/*globals MainLocalObj*/
$j(window).load(function () {
'use strict';
MainLocalObj.init();
});

Как удалить js?

Доступны только другие параметры:

https://github.com/aaronsw/html2text

Проблема с html2text заключается в том, что она действительно очень медленная время от времени и создает заметное отставание, что является одной вещью, с которой nltk всегда был очень хорош.

Ответ 1

Основано частично на Могу ли я удалить теги сценария с BeautifulSoup?

import urllib
from bs4 import BeautifulSoup

url = "http://www.cnn.com"
html = urllib.urlopen(url).read()
soup = BeautifulSoup(html)

# kill all script and style elements
for script in soup(["script", "style"]):
    script.decompose()    # rip it out

# get text
text = soup.get_text()

# break into lines and remove leading and trailing space on each
lines = (line.strip() for line in text.splitlines())
# break multi-headlines into a line each
chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
# drop blank lines
text = '\n'.join(chunk for chunk in chunks if chunk)

print(text)

Ответ 2

Чтобы предотвратить ошибки кодирования в конце...

import urllib
from bs4 import BeautifulSoup

url = url
html = urllib.urlopen(url).read()
soup = BeautifulSoup(html)

# kill all script and style elements
for script in soup(["script", "style"]):
    script.extract()    # rip it out

# get text
text = soup.get_text()

# break into lines and remove leading and trailing space on each
lines = (line.strip() for line in text.splitlines())
# break multi-headlines into a line each
chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
# drop blank lines
text = '\n'.join(chunk for chunk in chunks if chunk)

print(text.encode('utf-8'))