Question

我想删除<p>标记内的文本以获取html文本块。我试图标准化一些文本并删除所有类，对齐和其他信息。我能找到的每个例子似乎都涉及剥离html，我不想剥离标签。我只是想让它们变得清晰。

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>

我想回来：

<p>
some paragraph blah blah blah
</p>

<p>
some other paragraph blah blah blah
</p>

Answer 1

使用库来解析HTML，例如Beautiful Soup或类似的替代方法。 Regex is not powerful enough to correctly parse 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，因为你没有使用标记匹配等进行完全解析。我仍然认为当你使用这些解析库时，熟悉这些解析库是一个好习惯。发现自己需要更复杂的操作。

<p title="1 > 0">Test</p>

我相信是有效的HTML。 Chrome至少接受它，我相信其他浏览器也会这样做。

Answer 2

使用BeautifulSoup非常简单，您可以从字符串创建BeautifulSoup元素，然后对于该对象中的每个元素，将属性列表设置为空列表，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，您可以看到BeautifulSoup documentation

Answer 3

在分隔符等情况下，正则表达式会遗漏。您应该使用HTML解析器，最常见的是美味汤。

另请注意，您需要处理Unicode以及简单的str。

以下是我的解决方案：

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)

Answer 4

我全都是Davy8的回答。您也可以查看lxml.html。

如果你仍然想使用正则表达式......你应该使用类似的东西：

re.sub(r'<p [^>]*?>', r'<p>', foo)

python删除<p> </p>中的文本

4 个答案: