如何使用 re.sub 专门删除带有类的标签
Posted
技术标签:
【中文标题】如何使用 re.sub 专门删除带有类的标签【英文标题】：How can I specifically remove a tag with a class using re.sub 【发布时间】：2021-12-11 06:46:46 【问题描述】：我想从下面的 html 中过滤掉带有类的 p 标签，而不影响它后面的任何其他 p 标签。
<article data-article-content>
<div class="abc">
<p class="ghf">Some Text</p>
<p>Some other Text</p>
<p>A different Text</p>
</div>
</article>
我正在使用什么：
def myFunction(result):
result = re.sub(r'<article data-article-content><div class="abc"><p class="ghf">.*?</p><\/article>',' ',result)
return result
我将调用这个函数并打印出来应该省略“一些文本”。 我是正则表达式的初学者。请帮忙提出建议
预期输出：
其他一些文字 不同的文字
【问题讨论】：
欢迎来到 Stack Overflow！不要使用正则表达式来解析 HTML。这是bad idea。但是why not? 这里是some examples 您可能会遇到的问题。请改用HTML parser。 你想用给定的 HTML 实现什么。也许您可以多解释一下用例或上下文，这样我们就可以找到比正则表达式更好的解决方案。因为正则表达式可能会极大地限制您的解决方案。 没有</p><\/article> 所以当然正则表达式不匹配。替换到</article> 的末尾显然会替换所有<p> 节点，而不仅仅是第一个节点。能否请edit 澄清预期结果应该是什么？
感谢您的建议。我正在从网站上获取主体。我想避免从中刮掉不需要的文本。我现在正在尝试 BeautifulSoup。我会用更多信息更新问题。
【参考方案1】：
使用BeautifulSoup。这是一个很棒的 HTML 解析器，它有一个非常直观的 API。我已经在大大小小的项目中使用了数百次。
html = '''
<article data-article-content>
<div class="abc">
<p class="ghf">Some Text</p>
<p>Some other Text</p>
<p>A different Text</p>
</div>
</article>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html)
ps = soup.find_all('p')
p_with_class = [p for p in ps if p.get('class') is not None][0]
print(p_with_class)
# <p class="ghf">Some Text</p>
# Remove it.
p_with_class.decompose()
print(soup.prettify())
输出：
<html>
<body>
<article data-article-content="">
<div class="abc">
<p>
Some other Text
</p>
<p>
A different Text
</p>
</div>
</article>
</body>
</html>
更多here.
【讨论】：
感谢您的建议。是的，我已经开始使用 BeautifulSoup。一旦我达到某个点，我会回来的。【参考方案2】：使用 BeautifulSoup 您可以转换给定的 HTML，以便
任何带有ghf 类的<p> 标记都将被删除
输入
<article data-article-content>
<div class="abc">
<p class="ghf">Some Text</p>
<p>Some other Text</p>
<p>A different Text</p>
</div>
</article>
预期输出
<article data-article-content="">
<div class="abc">
<p>Some other Text</p>
<p>A different Text</p>
</div>
</article>
用 BeautifulSoup
这里使用BeautifulSoup，版本4，也称为首字母缩略词bs4。
使用pip安装：
pip install beautifulsoup4
然后解析、查找、修改和打印：
from bs4 import BeautifulSoup
html = '''
<article data-article-content>
<div class="abc">
<p class="ghf">Some Text</p>
<p>Some other Text</p>
<p>A different Text</p>
</div>
</article>
'''
soup = BeautifulSoup(html, features='html.parser') # parses HTML using python's internal HTML-parser
found_paragraphs = soup.find("p", "class": "ghf") # find your element
found_paragraphs.extract() # removes and leaves an empty line
print(soup) # unfortunately indentation is lost
您可以在soup 上使用prettify() 来恢复一些缩进。
另见
使用的功能在相关问答中有详细说明：
Exclude unwanted tag on Beautifulsoup Python How to find elements by class BeautifulSoup innerhtml? Don't put html, head and body tags automatically, beautifulsoup【讨论】：
以上是关于如何使用 re.sub 专门删除带有类的标签的主要内容，如果未能解决你的问题，请参考以下文章
如何在 Python 3.9 中从 re.sub 中删除反斜杠
如何使用 jquery 从没有任何 id 或类的 div 中删除锚标记？