Python-從HTML移除'style'-屬性

Question

我在Python中有一個String，其中有一些HTML。 基本上看起來像這樣。

>>> print someString     # I get someString from the backend
"<img style='height:50px;' src='somepath'/>"

我嘗試以PDF顯示此HTML。 因為我的PDF生成器無法處理樣式屬性（而且不能，我不能再使用另一個），所以必須將其從字符串中刪除。 所以基本上，它應該像這樣：

>>> print someString     # I get someString from the backend
"<img style='height:50px;' src='somepath'/>"
>>> parsedString = someFunction(someString)
>>> print parsedString
"<img src='somepath'/>"

我想做到這一點的最佳方法是使用RegEx，但是我並不十分熱衷。 有人可以幫我嗎？

Answer 1

我不會為此使用RegEx，因為

1. 正則表達式並不真正適合HTML解析，即使這是一個簡單的例子，也可能需要考慮多種變化和邊緣情況，結果正則表達式可能會成為噩夢
2. 正則表達式很爛。 它可能確實有用，但是說實話，它們是用戶不友好的縮影。

好吧，那我該怎么做。 我會使用值得信賴的BeautifulSoup ！ 使用以下命令以pip進行安裝：

pip install beautifulsoup4

然后，您可以執行以下操作刪除樣式：

from bs4 import BeautifulSoup as Soup

del Soup(someString).find('img')['style']

這首先解析您的字符串，然后找到img標簽，然后刪除其style屬性。

它也應該與任意字符串一起工作，但是我不能保證。 也許您會想到一個邊緣保護套。

請記住，使用RegEx解析HTML字符串並不是最好的主意。 互聯網和Stackoverflow充滿了為什么無法實現的答案。

編輯：只是踢，你可能想看看這個答案 。 當有人說甚至喬恩·斯基特（Jon Skeet）也做不到時，您知道事情很嚴重。

Answer 2

使用RegEx處理HTML是一個非常糟糕的主意，但是如果您真的想使用它，請嘗試以下操作：

/style=["']?((?:.(?!["']?\s+(?:\S+)=|[>"']))+.)["']?/ig