Python正则表达式：删除某些HTML标记及其中的内容

Question

如果我有一个包含此字符串的字符串：

<p><span class=love><p>miracle</p>...</span></p><br>love</br>

我想删除字符串：

<span class=love><p>miracle</p>...</span>

也许还有其他一些HTML标签。同时，其他标签及其中的内容将被保留。

结果应该是这样的：

<p></p><br>love</br>

我想知道如何使用正则表达式模式执行此操作？ 我试过的：

r=re.compile(r'<span class=love>.*?(?=</span>)')
r.sub('',s)

但它将离开

</span>

这次你可以帮我使用re模块吗？我将学习下一步的HTML解析器

Answer 1

首先要做的事情是：Don’t parse HTML using regular expressions

话虽如此，如果该span标记中没有额外的span标记，那么你可以这样做：

text = re.sub('<span class=love>.*?</span>', '', text)

注意：段落标记不应该在span标记内（仅phrasing content是）。

---

您尝试过的表达式<span class=love>.*?(?=</span>)已经非常好了。问题在于前瞻(?=</span>)永远不会与它未来的前景相匹配。因此，表达式将在关闭span标记之前立即停止。您现在可以在末尾手动添加结束范围，即<span class=love>.*?(?=</span>)</span>，但这不是必需的：.*?是非贪婪的表达式。它将尝试尽可能少地匹配。因此，在.*?</span>中，.*?只会匹配，直到找到它立即停止的结束范围。