使用正則表達式刪除所選文本

Question

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。

Answer 1

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)

Answer 2

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。