Question

我有这个文件：

    <table>
    <tr>
    <td WIDTH="49%">
    <p><a href="...1.htm"> cell to remove</a></p></td>
    <td WIDTH="51%"> some text </td>
    </tr>

我需要这样的结果：

    <table>
    <tr>
    <td> 
    </td>
    <td WIDTH="51%"> some text </td>
    </tr>

我正在尝试使用此html读取文件并将第一个标记替换为空标记：

   ret = open('rec1.txt').read()
   re.sub('<td[^/td>]+>','<td> </td>',ret, 1)
   final= open('rec2.txt', 'w')
   final.write(ret)
   final.close()

正如你所看到的，我是使用python的新东西，当我读到rec2.txt时，它包含与前一个文件完全相同的文本。

TKS

Answer 1

使用正则表达式解析HTML是一种非常糟糕的做法（请参阅评论中的@Lutz Horn链接）。

改为使用HTML解析器。例如，以下是使用BeautifulSoup将第一个td代码的值设置为空的方法：

Beautiful Soup是一个用于从HTML和HTML中提取数据的Python库 XML文件。它适用于您最喜欢的解析器，以提供惯用语导航，搜索和修改解析树的方法。它通常可以节省程序员数小时或数天的工作量。

from bs4 import BeautifulSoup


data = """
<table>
    <tr>
        <td WIDTH="49%">
            <p><a href="...1.htm"> cell to remove</a></p>
        </td>
        <td WIDTH="51%">
            some text
        </td>
    </tr>
</table>"""

soup = BeautifulSoup(data, 'html.parser')
cell = soup.table.tr.td
cell.string = ''
cell.attrs = {}

print soup.prettify(formatter='html')

打印：

<table>
 <tr>
  <td>
  </td>
  <td width="51%">
   some text
  </td>
 </tr>
</table>

另见：

希望有所帮助。

Answer 2

使用正则表达式解析HTML是一种非常糟糕的做法。如果您实际上是在尝试修改HTML，请使用HTML解析器。

如果问题是学术问题，或者您只是试图进行问题中描述的有限转换，那么这是一个正则表达式程序：

#!/usr/bin/python
import re
ret = open('rec1.txt').read()
ret = re.sub('<td.*?/td>','<td> </td>',ret, 1, re.DOTALL)
final= open('rec2.txt', 'w')
final.write(ret)
final.close()

注意：

表达式[/td]表示以任意顺序匹配/，t或d的任何一个。请注意我是如何使用.*匹配任意字符串后跟/td。
re.sub()的最终可选参数是flags参数。 re.DOTALL允许.匹配新行。
?表示执行非贪婪搜索，因此只会使用一个单元格。
re.sub()返回结果字符串，它不会修改字符串。

使用python从第一个单元格HTML中删除文本

2 个答案: