在Python中，如何删除HTML代码段中的“ root”标签？

Question

假设我有一个这样的HTML代码段：

<div>
  Hello <strong>There</strong>
  <div>I think <em>I am</em> feeing better!</div>
  <div>Don't you?</div>
  Yup!
</div>

删除周围的根元素的最佳/最可靠的方法是什么，所以它看起来像这样：

Hello <strong>There</strong>
<div>I think <em>I am</em> feeing better!</div>
<div>Don't you?</div>
Yup!

我试过像这样使用lxml.html：

lxml.html.fromstring（fragment_string）.drop_tag（）

但这只会给我“你好”，我认为这很有意义。 有更好的想法吗？

Answer 1

在lxml（或ElementTree）中这有点奇怪。 您必须执行以下操作：

def inner_html(el):
    return (el.text or '') + ''.join(tostring(child) for child in el)

请注意，lxml（和ElementTree）除了以单个元素为根以外，没有其他表示文档的特殊方法，但是如果<div>不是根元素， .drop_tag()会像您希望的那样工作。

Answer 2

您可以使用BeautifulSoup软件包。 对于这个特定的html，我会这样：

import BeautifulSoup

html = """<div>
  Hello <strong>There</strong>
  <div>I think <em>I am</em> feeing better!</div>
  <div>Don't you?</div>
  Yup!
</div>"""

bs = BeautifulSoup.BeautifulSoup(html)

no_root = '\n'.join(map(unicode, bs.div.contents))

BeautifulSoup具有许多不错的功能，可让您针对许多其他情况调整此示例。 完整文档： http : //www.crummy.com/software/BeautifulSoup/documentation.html 。

Answer 3

对于这样一个简单的任务，您可以使用regexp之类的r'<(.*?)>(.*)</\\1>'并从中获取匹配项2（在perl中为\\ 2）

您还应该放置ms标记，以确保正确的多行工作