Question

我有一个包含一些html标签的字符串，如下所示：

"<p>   This is a   test   </p>"

我想剥去标签之间的所有额外空格。我尝试过以下方法：

In [1]: import re

In [2]: val = "<p>   This is a   test   </p>"

In [3]: re.sub("\s{2,}", "", val)
Out[3]: '<p>This is atest</p>'

In [4]: re.sub("\s\s+", "", val)
Out[4]: '<p>This is atest</p>'

In [5]: re.sub("\s+", "", val)
Out[5]: '<p>Thisisatest</p>'

但无法获得所需的结果，即<p>This is a test</p>

我怎样才能实现这个目标？

Answer 1

尝试使用像BeautifulSoup这样的HTML解析器：

from bs4 import BeautifulSoup as BS
s = "<p>   This is a   test   </p>"
soup = BS(s)
soup.find('p').string =  ' '.join(soup.find('p').text.split())
print soup

返回：

<p>This is a test</p>

Answer 2

尝试

re.sub(r'\s+<', '<', val)
re.sub(r'>\s+', '>', val)

然而，这对于一般的现实世界使用而言过于简单化，其中如果标记，则不一定总是将代码放在一边。（想想<code>块，<script>块等等。）你应该使用适当的HTML解析器来做类似的事情。

Answer 3

从问题中，我看到您正在使用非常具体的HTML字符串进行解析。虽然正则表达式快速而且脏，但 its not recommend -- use a XML parser instead 。注意：XML比HTML更严格。因此，如果您认为自己可能没有XML，请使用BeautifulSoup作为@Haidro建议。

对于你的情况，你会做这样的事情：

>>> import xml.etree.ElementTree as ET
>>> p = ET.fromstring("<p>   This is a   test   </p>")
>>> p.text.strip()
'This is a   test'
>>> p.text = p.text.strip()  # If you want to perform more operation on the string, do it here.
>>> ET.tostring(p)
'<p>This is a   test</p>'

Answer 4

这可能有所帮助：

import re

val = "<p>   This is a   test   </p>"
re_strip_p = re.compile("<p>|</p>")

val = '<p>%s</p>' % re_strip_p.sub('', val).strip()

Answer 5

你可以试试这个：

re.sub(r'\s+(</)|(<[^/][^>]*>)\s+', '$1$2', val);

Answer 6

s = '<p>   This is a   test   </p>'
s = re.sub(r'(\s)(\s*)', '\g<1>', s)
>>> s
'<p> This is a test </p>'
s = re.sub(r'>\s*', '>', s)
s = re.sub(r'\s*<', '<', s)
>>> s
'<p>This is a test</p>'

剥离html标签之间的空间

6 个答案: