python删除

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>
    
已邀请:
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)
    

要回复问题请先登录注册