从字符串中删除 html 图像标签和介于两者之间的所有内容

Posted 2023-02-23

【中文标题】从字符串中删除 html 图像标签和介于两者之间的所有内容

【英文标题】：Removing html image tags and everything in between from a string

【发布时间】：2012-05-16 04:39:06

【问题描述】：

我已经看到了很多关于从字符串中删除 html 标记的问题，但我仍然不太清楚应该如何处理我的具体情况。

我看到许多帖子建议不要使用正则表达式来处理 HTML，但我怀疑我的情况可能需要明智地规避这条规则。

我正在尝试解析 PDF 文件，并且成功地将示例 PDF 文件中的每一页转换为 UTF-32 文本字符串。当图像出现时，会插入一个 HTML 样式的标签，其中包含图像的名称和位置（保存在其他地方）。

在我的应用程序的一个单独部分中，我需要摆脱这些图像标签。因为我们只处理图像标签，我怀疑可能需要使用正则表达式。

我的问题有两个：

我应该使用正则表达式来删除这些标签，还是应该使用 HTML 解析模块，例如 BeautifulSoup？ 我应该使用哪个正则表达式或 BeautifulSoup 构造？换句话说，我应该如何编码？

为清楚起见，标签的结构为<img src="/path/to/file"/>

谢谢！

【问题讨论】：

此文件中是否还有其他 HTML？还是只是纯文本和<img> 标签？

@senderle 不，除了 标签之外没有 HTML，因此我对使用成熟的 HTML 库犹豫不决。格式是总是我上面描述的那样。

我刚刚发布了一个答案，但我想知道，在每张图片的关闭 > 之后实际上是否有一个撇号，或者这是一个错字？

@joshcartme 好收获！那确实是一个错字！

好吧，我打算更新我在下面发布的答案以处理撇号 =)

【参考方案1】：

我会投票认为在您的情况下使用正则表达式是可以接受的。像这样的东西应该可以工作：

def remove_html_tags(data):
    p = re.compile(r'<.*?>')
    return p.sub('', data)

我在这里找到了 sn-p (http://love-python.blogspot.com/2008/07/strip-html-tags-using-python.html)

编辑：仅删除 <img .... />:

形式的内容的版本

def remove_img_tags(data):
    p = re.compile(r'<img.*?/>')
    return p.sub('', data)

【讨论】：

我之前也看过那个页面，但我对所讨论的正则表达式有点困惑（请注意，我对正则表达式的使用一无所知）。为什么.*? 字符串？它不应该读成<img src*> 之类的东西吗？

我发布的第一个工作方式是删除 之间的任何内容。如果您在纯文本中有其他 实例（而不是 html 标签），它会删除它不应该有的东西。我刚刚发布了另一个更具选择性的版本。

又一个小问题。我应该提到我试图摆脱 标记的字符串是 UTF-32 字节串。为了使它起作用，我需要做些什么特别的事情吗？我似乎没有检测到任何 标签...

添加 '?'在 '*' 之后使它不贪婪。

嗯，我不确定 UTF-32 字节串。所以它根本不起作用？

【参考方案2】：

由于此文本包含 only 图像标签，因此使用正则表达式可能没问题。但是对于其他任何事情，您最好使用真正的 HTML 解析器。幸运的是 Python 提供了一个！这是非常简单的——要完全发挥作用，它必须处理更多的极端情况。 （最值得注意的是，XHTML 样式的空标签（以斜线 <... /> 结尾）在此处未正确处理。）

>>> from HTMLParser import HTMLParser
>>> 
>>> class TagDropper(HTMLParser):
...     def __init__(self, tags_to_drop, *args, **kwargs):
...         HTMLParser.__init__(self, *args, **kwargs)
...     self._text = []
...         self._tags_to_drop = set(tags_to_drop)
...     def clear_text(self):
...         self._text = []
...     def get_text(self):
...         return ''.join(self._text)
...     def handle_starttag(self, tag, attrs):
...         if tag not in self._tags_to_drop:
...             self._text.append(self.get_starttag_text())
...     def handle_endtag(self, tag):
...         self._text.append('</0>'.format(tag))
...     def handle_data(self, data):
...         self._text.append(data)
... 
>>> td = TagDropper([])
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n')
>>> print td.get_text()
A line of text
A line of text with an <img url="foo"> tag
Another line of text with a <br> tag

并删除img标签...

>>> td = TagDropper(['img'])
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n')
>>> print td.get_text()
A line of text
A line of text with an  tag
Another line of text with a <br> tag

【讨论】：

太棒了，谢谢！我想我现在会走正则表达式路线，因为它似乎涉及更少的代码（简化，简化！）。

【参考方案3】：

我的解决办法是：

def remove_HTML_tag(tag, string):
    string = re.sub(r"<\b(" + tag + r")\b[^>]*>", r"", string)
    return re.sub(r"<\/\b(" + tag + r")\b[^>]*>", r"", string)