Python 删除源代码中的某些元素

Question

我有一些来源试图删除一些标签，我知道不建议使用正则表达式来删除标签，但我认为这将是最简单的方法。

我需要做的是删除所有img 和a 标记以及a 标记的内容only 在p 标记内，但我不确定如何使用正则表达式来做到这一点。

比如遇到的时候：

<p><img src="center.jpg"><a href="?center">center</a>TEXT<img src="right.jpg"><a href="?rightspan">right</a> MORE TEXT<img src="another.jpg"></p>

输出应如下所示，其中所有a 标记和内容以及img 标记均已删除。

<p>TEXT MORE TEXT</p>

问题就像我说我不确定如何执行此操作，并且我的正则表达式删除了源中a 和img 标记的所有，而不仅仅是那些在p 标签内。

re.sub(r'<(img|a).*?>|</a>', '', text)

Answer 1

您的正则表达式确实会在不使用某种断言的情况下删除所有标签。尽管您可以使用正则表达式来执行此操作，但出于多种原因，我建议您不要走这条路。

您可以简单地使用BeautifulSoup 传递要删除的内容列表。

>>> from BeautifulSoup import BeautifulSoup
>>> html = '<p><img src="center.jpg"><a href="?center">center</a>TEXT<img src="right.jpg"><a href="?rightspan">right</a> MORE TEXT<img src="another.jpg"></p>'
>>> soup = BeautifulSoup(html)
>>> for m in soup.findAll(['a', 'img']):
...   if m.parent.name == 'p':
...      m.replaceWith('')

>>> print soup

<p>TEXT MORE TEXT</p>

注意：这将替换 <p> 元素内的所有 <a>, </a> 和 <img> 元素（包括内容），其余部分保持不变。如果您有BS4，请使用find_all() 和replace_with()