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>

因此，我需要：

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

我正在尝试使用此html读取文件，并用一个空标签替换我的第一个标签：

   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等的新手，当我阅读rec2.txt时，它包含与先前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（请参阅注释中的@Lutz Horn的链接）。

请改用HTML解析器。 例如，以下是使用BeautifulSoup将第一个td标签的值设置为空的方法：

Beautiful Soup是一个Python库，用于从HTML和XML文件中提取数据。 它与您最喜欢的解析器一起使用，提供了导航，搜索和修改解析树的惯用方式。 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>

也可以看看：

• 用Python解析HTML
• 使用Python解析HTML

希望能有所帮助。

Answer 2

使用正则表达式解析HTML是非常不好的做法。 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，或者您只想进行问题中描述的有限转换，则可以使用以下正则表达式程序：

#!/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()

笔记：

• 表达[/td]表示匹配中的任一项 / ， t ，或d以任何顺序。 注意，请注意我是如何使用.*来匹配后跟/td的任意字符串的。
• re.sub()的最后一个可选参数是flags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，它不会修改该字符串。