使用 python regex 删除 span 元素周围的换行符和空格答案

【问题标题】：remove line breaks and spaces around span elements with python regex使用 python regex 删除 span 元素周围的换行符和空格
【发布时间】：2019-09-21 13:09:12
【问题描述】：

使用 BeautifulSoup 的美化后，我想从 span 周围删除换行符和缩进，也许还有其他内联标签。

例如，我目前有这样的事情：

>>> import bs4
>>> html = "<div><p>I don't want this <span>span element</span> on it's one line.</p></div>"
>>> soup = bs4.BeautifulSoup(html, "html.parser")
>>> soup.prettify()
"<div>\n <p>\n  I don't want this\n  <span>\n   span element\n  </span>\n  on its one line.\n </p>\n</div>"
>>> print(soup.prettify())
<div>
 <p>
  I don't want this
  <span>
   span element
  </span>
  on it's one line.
 </p>
</div>

我可以使用什么正则表达式来删除 span 标签周围的缩进空格和换行符，以便我最终得到这个：

<div>
 <p>
  I don't want this <span>span element</span> on its one line.
 </p>
</div>

【问题讨论】：

不太好，但如果它总是以这种方式显示，您可以使用soup.prettify().replace("\n <span>\n ", " <span>").replace("\n </span>\n ", "</span>")
customize BeautifulSoup's prettify by tag的可能重复
重复的建议仍然将跨度放在自己的行上。不过感谢您的建议。我正在尝试修改它以获得我想要的结果。

标签： python regex beautifulsoup

【解决方案1】：

我知道这已经很老了，Mohamed 已经提供了一个出色的答案。但是，我想添加它。

虽然这很好用，但我发现它错过了在标签之前或之后有换行符的标签（但不是两者都有）。我认为这是由于 [ \n]+ 中的 '+' 字符，它表示匹配一个或多个 \n 或空格（因此，如果标签之前和之前都没有一个或多个空格或换行符之后，它将不匹配）。我使用了他的方法，但将其切换为以下内容：

# removing space before and after <span> tag
html = re.sub('\s*<span>\s*','<span>', html)

# removing space before and after </span> tag
html = re.sub('\s*</span>\s*','</span>', html)

\s 将匹配任何空白字符（空格、制表符、换行符等），* 表示匹配其中的 0 个或多个（因此，如果仅在标签的一侧有空白字符，它仍然会匹配）

此外，如果您的任何元素具有属性（即<span class="myclass">），您还需要做一些额外的事情：

'''
[^>]* says match 0 or more of any characters OTHER than >,
so you'd match: <span>, <span class="a">, <span style="display:hidden;">, etc...)
(the parens around it, store it in a capture class,
so it can be inserted in the replacement.)
'''
tag_regex = re.compile('\s*<span([^>]*)>\s*')
'''
the \1 inserts what was captured by the regex
(the [^>*], our attributes, if any) in to the replacement text. 
''' 
html = tag_regex.sub('<span\\1>', html)

# removing space before and after </span> tag
html = re.sub('\s*</span>\s*','</span>', html)

将所有这些放在适用于任何标签的 Mohamed 通用函数中，我们得到：

import re
from bs4 import BeautifulSoup

def prettify_output(html, tag):
    reg_tag = re.compile(f'\s*<{tag}([^>]*)>\s*')
    html = reg_tag.sub(f'<{tag}\\1>', html)
    html = re.sub(f'\s*</{tag}>\s*',f'</{tag}>', html)
    return html

html = BeautifulSoup("<body><div><div><span class='a'>dont</span><span class='b'>split me!</span></div></div></body>", 'html.parser')
html = html.prettify() # or however you call BeautifulSoup's prettify
html = prettify_output(html, 'span')

产生输出：

<body>
 <div>
  <div><span class="a">dont</span><span class="b">split me!</span></div>
 </div>
</body>

一项改进是保留<span *stuff*> 之前和</span> 之后的换行符，除非它们嵌套在其他跨度之间/旁边（这将使美化换行符保持在<div> 和<span class="a"> 之间，以及之间</span> 和 </div> 标记 - 目前该函数将它们删除，因为它正在删除这些标记之前和之后的所有空白字符。）

【讨论】：

【解决方案2】：

看看这个：

import re

html = '''
    <div>
        <p>
            I don't want this
            <span>
                span element
            </span>
            on it's one line.
        </p>
    </div>
'''

soup = bs4.BeautifulSoup(html)

## getting prettified output 
html = soup.prettify()


# removing \n and space before and after <span> tag
html = re.sub('[ \n]+<span>[ \n]+','<span>', html)

# removing \n and space before and after </span> tag
html = re.sub('[ \n]+</span>[ \n]+','</span>', html)

执行print(html) 会得到以下输出：

<div>
   <p>
       I don't want this<span>span element</span>on it's one line.
   </p>
</div>

你可以为不同的标签创建一个函数：

import re

def prettify_output(html, tag):
    html = re.sub(f'[ \n]+<{tag}>[ \n]+',f'<{tag}>', html)
    html = re.sub(f'[ \n]+</{tag}>[ \n]+',f'</{tag}>', html)
    return html

## call 
html = prettify_output(html, 'span')

【讨论】：