使用python从第一个单元格HTML中删除文本

Question

我有这个文件：

    <table>
    <tr>
    <td WIDTH="49%">
    <p><a href="...1.htm"> cell to remove</a></p></td>
    <td WIDTH="51%"> some text </td>
    </tr>

我需要这样的结果：

    <table>
    <tr>
    <td> 
    </td>
    <td WIDTH="51%"> some text </td>
    </tr>

我正在尝试使用此 html 读取文件并将我的第一个标签替换为空标签：

   ret = open('rec1.txt').read()
   re.sub('<td[^/td>]+>','<td> </td>',ret, 1)
   final= open('rec2.txt', 'w')
   final.write(ret)
   final.close()

如您所见，我是使用 python 的新手，当我阅读 rec2.txt 时，它包含与前一个文件完全相同的文本。

tks

Answer 1

使用正则表达式解析 HTML 是一种非常糟糕的做法（请参阅评论中的@Lutz Horn 链接）。

改用 HTML 解析器。例如，以下是如何使用 BeautifulSoup 将第一个 td 标记的值设置为空：

Beautiful Soup 是一个 Python 库，用于从 HTML 和 XML 文件。它与您最喜欢的解析器一起使用以提供惯用的 导航、搜索和修改解析树的方法。它 通常可以节省程序员数小时或数天的工作时间。

from bs4 import BeautifulSoup


data = """
<table>
    <tr>
        <td WIDTH="49%">
            <p><a href="...1.htm"> cell to remove</a></p>
        </td>
        <td WIDTH="51%">
            some text
        </td>
    </tr>
</table>"""

soup = BeautifulSoup(data, 'html.parser')
cell = soup.table.tr.td
cell.string = ''
cell.attrs = {}

print soup.prettify(formatter='html')

打印：

<table>
 <tr>
  <td>
  </td>
  <td width="51%">
   some text
  </td>
 </tr>
</table>

另见：

• Parsing HTML in Python
• Parsing HTML using Python

希望对您有所帮助。

Answer 2

使用正则表达式解析 HTML 是一种非常糟糕的做法。如果您实际上是在尝试修改 HTML，请使用 HTML 解析器。

如果问题是学术性的，或者您只是想进行问题中描述的有限转换，这里有一个正则表达式程序可以做到：

#!/usr/bin/python
import re
ret = open('rec1.txt').read()
ret = re.sub('<td.*?/td>','<td> </td>',ret, 1, re.DOTALL)
final= open('rec2.txt', 'w')
final.write(ret)
final.close()

注意事项：

• 表达式[/td] 表示以任意顺序匹配/、t 或d 中的任何一个一个。请注意我是如何使用.* 来匹配任意字符串，后跟/td。
• re.sub() 的最后一个可选参数是一个标志参数。 re.DOTALL 允许 . 匹配新行。
• ? 表示执行非贪婪搜索，因此它只会消耗一个单元格。
• re.sub() 返回结果字符串，它不会就地修改字符串。