如何解决python删除<p>内的文本
| 我想删除<p>
标记内的一段HTML文本。我正在尝试标准化一些文本并删除所有类,对齐方式和其他信息。我可以找到的每个示例似乎都涉及剥离html,并且我不想剥离标签。我只想让它们变得简单。
所以,如果我有这样的事情:
<p class=\'MsoBodyText\' align=\'left\'>
some paragraph blah blah blah
</p>
<p class=\'SomeClassIDontWant\' align=\'right\'>
some other paragraph blah blah blah
</p>
我想退货:
<p>
some paragraph blah blah blah
</p>
<p>
some other paragraph blah blah blah
</p>
解决方法
使用库来解析HTML,例如Beautiful Soup或类似的替代方法。正则表达式的功能不足以正确解析HTML。
@Mark提出了一个有效的观点,在这种特殊情况下,一个简单的正则表达式应该可以工作,因为您没有使用标记匹配等进行完全解析。我仍然认为,当您发现自己需要更多解析库时,熟悉这些解析库是一种很好的做法复杂的操作。
<p title=\"1 > 0\">Test</p>
我相信是有效的HTML。 Chrome至少可以接受它,而且我敢肯定其他浏览器也可以接受。
,使用ѭ4相当容易,您可以从字符串中创建一个BeautifulSoup元素,然后针对该对象中的每个元素,将属性列表设置为一个空列表,如下所示:
from BeautifulSoup import *
parsed_html = BeautifulSoup(your_html)
for elem in parsed_html:
if not isinstance(elem,NavigableString): #You need to know that it is a node and not text
elem.attrs = []
print parsed_html # It is clean now
有关BeautifulSoup的更多信息,请参阅BeautifulSoup文档。
,如果使用分隔符等,则正则表达式会丢失。您应该使用HTML解析器,最常见的解析器是精美的汤。
还要注意,您需要处理Unicode以及简单的str。
这是我的解决方案:
from BeautifulSoup import BeautifulSoup,Tag
def clear_p_tags(html_str):
\"\"\" Works well both for unicode as well as str \"\"\"
html = BeautifulSoup(html_str)
for elem in parsed_html:
if type(elem) is Tag: elem.attrs = []
return type(html_str)(html)
def test_p_clear(str_data):
html_str = data
html_unicode = unicode(data)
clear_p_html_str = clear_p_tags(html_str)
clear_p_html_unicode = clear_p_tags(html_unicode)
print type(clear_p_html_str)
print clear_p_html_str
print type(clear_p_html_unicode)
print clear_p_html_unicode
data = \"\"\"
<a href=\"hello.txt\"> hello </a>
<p class=\'MsoBodyText\' align=\'left\'>
some paragraph blah blah blah
</p>
<p class=\'SomeClassIDontWant\' align=\'right\'>
some other paragraph blah blah blah
</p>
\"\"\"
test_p_clear(data)
,我全都是Davy8的答案。您可能还会查看lxml.html。
如果您仍然想使用正则表达式...,则应使用类似以下内容的方法:
re.sub(r\'<p [^>]*?>\',r\'<p>\',foo)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。