解析多个.html文件并删除部分html代码的方法

Posted 2023-02-24

【中文标题】解析多个.html文件并删除部分html代码的方法

【英文标题】：Method to parse multiple .html files and remove part of html code

【发布时间】：2021-10-07 22:40:46

【问题描述】：

解析目录中的多个 .html 文件、搜索和删除这些文件中的部分 html 代码的正确方法是什么？ 例如，我需要从所有文件中删除一个 html 代码：

    <div class="box">
        <h2>Book Search</h2>
        <div id="search">
            <form action="http://www.biology35.com/search.php" method="post">
                <input type="text" name="searchfor" class="txtField" />
                <input type="image" src="new/images/btn-go.png" name="Submit" value="Submit" class="button" />
                <div class="clear"><!-- --></div>
            </form>
        </div>
    </div>

我在 Debian 上使用 Geany 1.29 文件编辑器。正则表达式可能不适合这个。一些shell脚本或python？

【问题讨论】：

只复制 HTML 并转义任何在正则表达式中具有特殊含义的字符。这是一个开始：<div class=\"box\">\s*<h2>Book Search<\/h2>\s*<div id=\"search\">\s*regex101.com/r/BuPSZr/1

你看过BeautifulSoup吗？

@sophros 我已经为 Python 2.x 安装了这个库 BeautifulSoup 4。查看了文档中的一些示例，但由于我以前从未使用过它，因此对于初次使用的用户来说需要大量学习，仍然无法弄清楚如何将其应用到我的任务中。

@MonkeyZeus：作为正则表达式示例，它可以工作并且对我很有帮助，但是我需要编辑的多个 html 文档中的每个文档都有 8 个代码段。不确定如何同时为多个文档完成此操作。

【参考方案1】：

可以使用htql，例如：

html = """
something before
    <div class="box">
        <h2>Book Search</h2>
        <div id="search">
            <form action="http://www.biology35.com/search.php" method="post">
                <input type="text" name="searchfor" class="txtField" />
                <input type="image" src="new/images/btn-go.png" name="Submit" value="Submit" class="button" />
                <div class="clear"><!-- --></div>
            </form>
        </div>
    </div>

html after
"""

import htql
x=htql.query(html, "<div norecur (class='box') > &delete ")[0][0]

你得到：

>>> x
'\nsomething before\n    \n\nhtml after\n'