Python代碼可過濾1000多個頁面中的樣式

Question

我已經將word文件轉換為html文件，但是有一個問題，MS word自動向頁面添加了一些樣式。

例如

<div align="center"></div>
<p style=""></p>
<table cellpadding="0">

<tr><img src="...."></img></tr>

</table>

我想輸出為

 <div></div>
<p></p>
<table>

<tr><img src="...."></img></tr>

</table>

我不想刪除img內聯樣式。

提前致謝

update:  if it is very hard to keep img style in the file. please give me the code excluding that part. it is very urgent for me and i cant edit 1000 pages manually 

Answer 1

我建議您使用elementtree 。 解析文件，刪除不需要的所有樣式屬性，然后編寫文件。

使用elementtree時，它應該是5眼線。

Answer 2

如果要刪除已知標簽列表的樣式，我認為不必使用完整的HTML解析器。 就像是

expr = r'((?<=<div)|(?<=<p))[ ]+.*?>'
html_text = re.sub(expr,'>',html_text)

效果很好。 當然，您可以使用要替換的標記數組來生成（？<=

如果您有要刪除的樣式標簽列表，則更加簡單。 只需生成一個像

expr = r' (style|align|myStyleTag)=".*?"'

與re.sub。

如果需要動態組合，請使用解析器。

根據OP的評論進行了編輯：

不幸的是，向后查找需要固定大小的表達式，因此<。*或類似名稱將不起作用。 如果沒有固定的標簽列表，最好使用預先存在的框架。

解決這個問題的方法可能是這樣的：

expr = "("
for i in range(1,8): ## or whatever the max/min tag lengths are
    expr += "(?<=<[a-zA-Z]{" + str(i) + "})|"
expr = expr[:-1] + ")[ ]+.*?>"

但這是很糟糕的風格。