只刪除html錨標記
[英]strip only html anchor tags
問題描述
我有以下代碼剝離所有標簽。 現在我只想剝離錨標簽。
x = re.compile(r'<[^<]*?/?>')
如何修改，以便只刪除錨標簽。
3 個解決方案
解決方案1
5 已采納 2010-04-07 11:09:50
以下刪除所有標簽的代碼。
並不是的。 <div title="a>b">是有效的HTML並被弄亂了。 <div title="<" onmouseover="script()" class="<">">是無效的HTML，但是您經常在真實網頁上會發現這種東西。您的regexp會在活動標簽中留下帶有危險腳本的內容。
除非您的輸入集受到嚴格限制，否則您無法使用正則表達式執行HTML處理任務（例如，標記剝離）。 最好使用真正的HTML解析器並遍歷生成的文檔，以在刪除過程中刪除不需要的元素。
例如。 與BeautifulSoup ：
def replaceWithContents(element):
ix= element.parent.contents.index(element)
for child in reversed(element.contents):
element.parent.insert(ix, child)
element.extract()
doc= BeautifulSoup(html) # maybe fromEncoding= 'utf-8'
for link in doc.findAll('a'):
replaceWithContents(link)
str(doc)
解決方案2
1 2010-04-07 10:07:13
x = re.compile(r'<[aA]\>[^<]*?/?>')
這將匹配“ a”或“ A”，后跟單詞邊界。 請注意，它不會清除結束標記。
x = re.compile(r'</?[aA]\>[^<]*?/?>')
也會刪除結束標記。
編輯：
實際上，像這樣將[^<]切換為[^>]感覺更可靠。
x = re.compile(r'</?[aA]\>[^>]*?/?>')
解決方案3
1 2010-04-07 10:55:38
我不確定這個Python是否正確（我是一個PHP專家，但我才開始學習python）。
re.sub('<[aA][^>]*>([^<]+)</[aA]>','\1','<html><head> .... </body></html>')
這不會一次刪除所有錨標記，因此您可能必須遍歷html字符串。 它匹配錨標記，並將匹配內容替換為標記的內容。 所以...
<a href="/">homepage</a> -> homepage
在大量文本上可能不是最有效的，但是可以工作。
使用Python和lxml僅剝離具有特定屬性/值的標記
[英]Using Python and lxml to strip only the tags that have certain attributes/values
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.