删除正则表达式中的 Html 标签 [重复]

Posted 2023-02-23

【中文标题】删除正则表达式中的 Html 标签 [重复]

【英文标题】：Remove the Html tags in regex [duplicate]

【发布时间】：2012-01-26 20:38:17

【问题描述】：

可能重复：Strip html from strings in pythonRegEx match open tags except XHTML self-contained tags

我的 python 模块中有正则表达式模式，它从给定的字符串中删除 html 标记。

在这种情况下它不起作用。

输入字符串：

string=<li class="
      tal
    "><h3><a href="/aclk?sa=l&amp;ai=CoS4y-Wz0TrnqC8y0rAfysK2DB46PiJECzoK8_yKPwd4FCAAQAigCUL7Kz4P9_____wFg5erjg5gOoAH0m_XuA8gBAakCoqvilYNWVD6qBB1P0Dm6CNzrf62IC36fDvUIh77EpeheIRdH_YEaPw&amp;sig=AOD64_2z9xPK8vOxUCpIGTjBcc2Lg-GAeA&amp;adurl=http://www.policybazaar.com/creditcards/creditcard-india.aspx%3Futm_source%3Dgoogle%26utm_medium%3Dppc%26utm_term%3DCreditcard_delhi_only%26utm_campaign%3Dcredit_card" id="pa2">Compare <b>Credit Cards</b> | PolicyBazaar.com</a></h3>Get Best <b>Credit Card</b> For Free, Now U Have a Choice, Choose wisely!<br /><cite>www.policybazaar.com/<b>credit</b>-<b>Cards</b></cite></li>

正则表达式模式：

 In [64]:p = re.compile(r'<.*?>')
 In [65]:text=p.sub('',str(string))
 In [66]: text
 Out[66]: '<li class="\n          tal\n        ">Compare Credit Cards | PolicyBazaar.comGet Best Credit Card For Free, Now U Have a Choice, Choose wisely!www.policybazaar.com/credit-Cards'

结果仍然有<li> 标签。无论此类名称和字符串模式如何，都应如何删除它。

【参考方案1】：

在这种情况下，您应该使用DOTALL 功能：

p = re.compile(r'<.*?>',re.DOTALL)

应该可以。

但是...您不应该使用正则表达式进行 HTML 解析，请参阅：https://***.com/a/1732454/11621

HTH。

【讨论】：

+1 但不是.*?lazy-dot-star，一个更快、更准确的表达式应该是：p = re.compile(r'<[^>]*>')，或者更好的是：p = re.compile(r"""<(?:[^<>"']+|"[^"]*"|'[^']*')*>""")，它允许带有尖括号的属性.但正如其他人指出的那样，所有这些正则表达式仍然可能失败。最好使用专为这项工作设计的工具来解析 HTML（正如 Zsolt Botykai 在此答案中正确指出的那样）。

@ridgerunner TIL 关于属性中允许使用尖括号，哇 :-) 是的，你是对的，你的正则表达式更准确。我的只应该工作:-)

【参考方案2】：

Google 或在 *** 上搜索 HTML 和正则表达式 - 这是个坏主意。您最好使用 Beautiful Soup 或其他一些真正的 HTML 解析器并修改 DOM。

【讨论】：

我使用 Beautiful Soup 进行 HTML 解析。效果很好。

【参考方案3】：

如果您只是想从字符串中删除所有 HTML，您可以查看以下内容：http://code.activestate.com/recipes/440481-strips-xmlhtml-tags-from-string/