Python：从文本中删除<table> </table>之间的文本

Question

我在Python中使用regex仍然相对较新，我很难找到一种方法来删除非常简单的.txt文件中的标记之间的内容。例如，见file。

以下是我尝试的内容：

fdir = open("C:\\file.txt")
line = fdir.read()
line = line.lower()
pattern = re.compile("(?is)<table[^>]*>(.*?)<\/table>", re.MULTILINE)
line = pattern.sub('', line)

和

fdir = open("C:\\file.txt")
line = fdir.read()
line = re.sub(r"(?is)<table[^>]*>(.*?)<\/table>", '', line, re.DOTALL)

这两个代码只删除了我的文本文件中的标记<Table>和<\Table>，而不是之间的标记。我的代码中缺少什么？ 我也想删除标签。

Answer 1

您应该考虑使用BeautifulSoup删除这些标记...

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(html)
>>> for t in soup.find_all('table'):
...     t.decompose()

Answer 2

使用 re.sub ：

line = re.sub("(?is)<table[^>]*>(.*?)<\/table>", "", line)

我同意Tomalak（请参阅下面的评论）：HTML shouldn't be parsed using regex - 此答案仅供演示，不应在生产代码中使用。