仅当出现在特定模式之后的字符才从 HTML 字符串中删除

Posted 2023-03-15

【中文标题】仅当出现在特定模式之后的字符才从 HTML 字符串中删除

【英文标题】：Remove characters from HTML string only if they appear after specific pattern

【发布时间】：2019-01-13 07:22:41

【问题描述】：

所以，我尝试用谷歌搜索我的问题，但找不到满意的答案。我编写了一个用于解析 html 电子邮件的程序。直到现在它都可以正常工作，但我猜 Outlook 协议中已经更新了一些东西。但是，现在，在提取电子邮件的 HTML 内容时，除了 style 标记外，一切正常。

style 标记之后的所有内容由于某种原因自动转义。例如像这样：<span style=\'color:red; background:yellow; mso-highlight:yellow\'> 和 <span style=\'background:yellow;mso-highlight:yellow\'> 注意样式 ' 标记是如何因某种原因被转义的？这导致我的软件出现问题，并使其崩溃。我真的不需要这些转义标记并想摆脱它们。

所以现在我的问题是，如何仅删除这些特定位置的标记（如果可能）？所以只在style= 之后以及样式属性的末尾，就在'> 之前。非常感谢所有帮助，我完全不知道如何进行。我真的不想删除所有的反斜杠，所以没有任何真正需要转义的东西不会被转义。

提前致谢！

【参考方案1】：

一个简单的正则表达式应该可以工作：

import re

text = re.sub(r"style=\'(.*)\'", r"style='\1'", raw_text)

【讨论】：

完美，正是我想要的！太感谢了！我的正则表达式技能真的很生疏