使用python从html中删除带图案的文本答案

【问题标题】：Deleting patterned text from an html using python使用python从html中删除带图案的文本
【发布时间】：2017-02-22 11:09:53
【问题描述】：

我尝试使用python编写脚本，删除html中的某个模式文本。但是，我的代码似乎不起作用..您能帮我检查一下哪里出错了吗？

import os, re

cwd = os.getcwd()
print ('Now you are at this directory: \n' + cwd)

# find files that have an extension with HTML
Files = os.listdir(cwd)
print Files

def func(file):
    for file in os.listdir(cwd):
        if file.endswith('.html'):
            for line in open(file):
                re.sub(r'<strong>.*?<\/strong>', '', line)
                # I feel the above line has some problems
func(file)

非常感谢您！

【问题讨论】：

标签： python html regex

【解决方案1】：

你不必在你的 re. \/其实只是一个普通的/。完整参考见the re documentation的介绍。

你的正则表达式应该是：r'<strong>.*?</strong>'

但不建议使用正则表达式解析 html。请参阅BeautifulSoup！

line = '<p>some text, <strong>SOME STRONG TEXT </strong> and again <strong>STONG TEXT</strong></p>'
re.sub(r'<strong>.*?<\/strong>', '', line)
#'<p>some text,  and again </p>'

【讨论】：

谢谢蒂埃里，我一定会去看看beautifulsoup！对于正则表达式，我尝试了两种模式，但它们都不起作用……如果您使用我的原始脚本并尝试打印出匹配的文本，它们实际上是正确的。我只是不确定代码中的哪个部分有误，导致我无法替换匹配的字符串...

【解决方案2】：

希望这会有所帮助！

import os, re

cwd = os.getcwd()
print ('Now you are at this directory: \n' + cwd)

# find files that have an extension with HTML
Files = os.listdir(cwd)

def func(file):
    for file in os.listdir(cwd):
        if file.endswith('.html'):
                f = open(file, "r+")
                text  = re.sub(r'\<strong\>.*\<\/strong\>',"",f.read())
                f.close()
                f = open(file, "w")
                f.write(text)
                f.close()
func(file)

【讨论】：

谢谢你成功了！！就我而言，我可能需要进一步尝试——看看漂亮的汤是否会更有帮助。 :)