[英]Remove selected text using regular expressions
我有一個大的html塊,我想刪除所有<img>
元素,但不是他們的文本部分。 所以也許有這樣的事情:
<a href="http:">Some text</a> Some other text <img height="1" picture.gif> MORE TEXT </img>
如果我使用BeautifulSoup來提取所有img標簽,我也會丟失相關文本(上例中的“MORE TEXT”)。 所以我決定在制作湯之前在整個html上使用正則表達式。 我想通過下一個">"
刪除每個"<img"
,然后每個"</img>"
刪除。 這應該留下文字。
所以這是我的嘗試:
while myhtml.find('<img/') > 0:
re.sub( r'<img .*?>', '', myhtml , flags=re.DOTALL)
re.sub( r'</img>', '', myhtml , flags=re.DOTALL)
我跑了這個,所有的img部分仍在那里。 不知道下一步該嘗試什么。
我有一個大的html塊,我想刪除所有
<img>
元素,但不是他們的文本部分。
你可以避免在這里使用正則表達式..
>>> from BeautifulSoup import BeautifulSoup
>>> html = '<a href="http:">Some text</a> Some other text <img height="1" picture.gif> MORE TEXT </img>'
>>> soup = BeautifulSoup(html)
>>> for m in soup.findAll('img'):
>>> m.replaceWithChildren()
>>> print soup
<a href="http:">Some text</a> Some other text MORE TEXT
如果您仍然喜歡使用正則表達式,只想刪除所有<img ..>
和</img>
標記:
re.sub(r'</?img[^>]*>', '', html)
您可以使用以下正則表達式來匹配<img>
元素:
(?<!(<[^>]*))(</?img[^>]*>)
正則表達式的第一部分(?<!(<[^>]*))
斷言負面的后視,即<img>
元素不在另一個開放標記元素中。 這應該考慮諸如標簽出現在字符串中的情況。
正則表達式的第二部分(</?img[^>]*>)
匹配<img...>
和</img>
標記元素。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.