如何删除标记作为兄弟元素存在的python html文本中的所有元素答案

【问题标题】：How can I remove all the elements in python html text where tag exists as a sibling element如何删除标记作为兄弟元素存在的python html文本中的所有元素
【发布时间】：2019-03-28 08:34:07
【问题描述】：

我需要在python中解析脏的html字符串，我需要消除所有旁边有兄弟标签的文本。

比如我需要转换这个html。

    <p class="se_textarea">
        x3C!-- SE3-TEXT { --&gt;
    <span>
        <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
        nnnnnnn
        <br>
    </span>
    <span>
        <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
        <br>
    </span>
    </p>

到这个 html。

    <p class="se_textarea">
    <span>
        <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
        <br>
    </span>
    <span>
        <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
       <br>
    </span>
    </p>

由于x3C!-- SE3-TEXT { --&gt; 是<span> 的兄弟，而nnnnn 是<b>tag 的兄弟，我需要删除此文本，而식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등 是<b> 标记中的唯一文本，我不需要去掉它。

【问题讨论】：

要删除的文本旁边的兄弟标签是什么？
@Maaz 这取决于它可能是 div span 或 p
这不是那么容易理解的。在您的示例中，您为什么要删除 nnnnnnn ？因为下一个标签是<br>?
@Maaz 因为我需要显示那些 html 而 nnnnn 是我不需要的脏数据
是的，但是按照逻辑方法，您是如何找到它的？我的意思是，为什么是 nnnnnnn 而不是 식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등

标签： python regex beautifulsoup

【解决方案1】：

Whelp，这是非常具体的部分原因，因为您实际上只提供了一个示例，所以我不确定会出现什么样的标签，所以您有 2 个选项。

确实，正则表达式通常不是 html 的最佳选择，但我希望这会有所帮助。 BeautifulSoup 或 lxml 最终可能会更好。

使用 re.sub（对于 Python3），如果格式相对一致，您可以使用距离，所以在这里我说替换任何不以 < 开头的文本，如果它前面有 7 或更多空格

>>> import re



>>> string = '''<p class="se_textarea">
        <span>
            <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
            nnnnnnn
            <br>
        </span>
        <span>
            <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
           <br>
        </span>
        </p>'''



>>> print(re.sub('(?m)\n[\ ]{7,}(?!<)[\S]+(?=\n|$)', '', string))


    #OUTPUT
    <p class="se_textarea">
    <span>
        <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
        <br>
    </span>
    <span>
        <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
        <br>
    </span>
    </p>

或者您可以使用特定的正则表达式并在必要时替换标签名称

>>> import re



>>> string = '''<p class="se_textarea">
        <span>
            <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
            nnnnnnn
            <br>
        </span>
        <span>
            <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
           <br>
        </span>
        </p>'''



>>> print(re.sub(r'(<span>[\S\s]*?<[\S\s]*?>[\S\ ]*?</[\S\s]*?>[\s]*?)([\S\s]*?)(\n[\ ]+<)', r'\1\3', string))


    #OUTPUT
    <p class="se_textarea">
    <span>
        <b>식탁등/카페조명/매장/포인트조명/pc방/티 테이블 등등</b>
        <br>
    </span>
    <span>
        <b>어느곳에 설치 하셔도 예쁜..&nbsp;</b>
        <br>
    </span>
    </p>

【讨论】：