Question

所以我现在有这样的文字：

<i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i>

我认为这是一个很好的HTML，但是，我想清理它，删除所有过多的<i>标记并将其简化为单个<i>标记：

<i>This article is written <a href="http://google.com">TEST</a>.</i>

我试图自己清理它，但我需要提前查看文本，并且没有取得多大成功。有没有我可以使用的包装或我可以做的方式，或者我必须手动操作？

谢谢

Answer 1

使用HTML解析器绝对是最可靠的解决方案。它能够处理分割成许多行的标签。

以下将解决您的示例，但可能不会更多......

def OuterI(text):
    outer = re.search("(.*?)(\<i\>.*<\/i\>)(.*)", text)

    if outer:
        return "%s<i>%s</i>%s" % (outer.group(1), re.sub(r"(\<\/?[iI]\>)", "", outer.group(2)), outer.group(3))
    else:
        return text

print OuterI('<i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i>')
print OuterI('text before <i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i> text after')

Python - 删除过多的html标签

1 个答案: