Question

我有以下代码删除所有标签。现在我想只剥离锚标签。

x = re.compile(r'<[^<]*?/?>')

如何修改以便仅剥离锚标记。

Answer 1

以下代码删除所有代码。

不是真的。 <div title="a>b">是有效的HTML并且会被破坏。 <div title="<" onmouseover="script()" class="<">">是无效的HTML，但您经常会在真实网页上找到这种内容。你的正则表达式留下了一个带有危险脚本的活动标签。

您无法执行HTML处理任务，例如使用正则表达式进行标记剥离，除非您的可能输入集受到严格限制。最好使用真正的HTML解析器并遍历生成的文档，随时删除不需要的元素。

例如。与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)

Answer 2

x = re.compile(r'<[aA]\>[^<]*?/?>')

这将匹配'a'或'A'后跟单词边界。请注意，它不会清除结束标记。

x = re.compile(r'</?[aA]\>[^<]*?/?>')

也会删除结束标记。

修改：
实际上，将[^<]切换为[^>]感觉更可靠，就像这样。

x = re.compile(r'</?[aA]\>[^>]*?/?>')

Answer 3

我不确定这个Python是否正确（我是一个PHP人员，但我刚刚开始学习python）。

re.sub('<[aA][^>]*>([^<]+)</[aA]>','\1','<html><head> .... </body></html>')

这不会一次删除所有锚标记，因此您可能需要遍历html字符串。它匹配锚标记并将匹配替换为标记的内容。所以...

<a href="/">homepage</a> -> homepage

可能不是大量文本中效率最高但效果不错。

只剥离html锚标签

3 个答案: