python删除<p>内的文本

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)