怎样删除部分字符串？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 3071 天前的主题，其中的信息可能已经有所发展或是发生改变。

一、岗位及人数<o:p></o:p>办公室工作人员，1名；教师，4名。

文本是类似这样的，我想删除 tag 里面的 class 、 style ，保留<div>并且删除掉应该怎么做？
是用 BS4 还是用字符串操作？

35 条回复 • 2016-06-28 23:04:09 +08:00

15954237961

2016-06-27 19:44:09 +08:00

用 replace 试试

lslqtz

2016-06-27 19:45:29 +08:00

正则匹配试试。

omg21

2016-06-27 20:04:03 +08:00

@15954237961 用 replace 有局限性，这段代码是 class=p ，下段代码有可能就是 class=y 。

omg21

2016-06-27 20:04:37 +08:00

@lslqtz 用正则容易伤及无辜

seki

2016-06-27 20:10:38 +08:00

在这里相当于 的子元素，所以把文本提出来 append 到 的文本里面？用 lxml 或者 bs4 ？

lslqtz

2016-06-27 20:15:47 +08:00

@omg21 不用代码有局限性。

lslqtz

2016-06-27 20:15:53 +08:00

正则打错。

lslqtz

2016-06-27 20:20:19 +08:00

class="(.*?)"
已提取出来。
http://233.dog/f_22821044.png

napsterwu

2016-06-27 20:21:56 +08:00

js 里面我是这样的
string.replace(/\s?(class|style)="[^"]+?"/g, '')
这样可以选择性的删不过缺点是没有办法清掉 class=""这样的。

omg21

2016-06-27 20:24:14 +08:00

@seki 我考虑了一下，提的子元素再放到里不好操作啊，搞不清顺序。

omg21

2016-06-27 20:29:36 +08:00

@lslqtz 嗯，就用这个了

omg21

2016-06-27 20:31:23 +08:00

@napsterwu 那就在最后单独加个删 class=""的就行了，谢了

seki

2016-06-27 20:31:30 +08:00

https://www.crummy.com/software/BeautifulSoup/bs4/doc/#get-text
https://www.crummy.com/software/BeautifulSoup/bs4/doc/#unwrap

来自于 sof ： http://stackoverflow.com/questions/16206380/python-beautifulsoup-how-to-remove-all-tags-from-an-element

ChiChou

2016-06-27 20:35:47 +08:00

你可以构建一个 DOM 树然后取 textContent 。。那么 @seki 的方案即可

Septembers

2016-06-27 20:40:49 +08:00

https://gist.github.com/anonymous/187c80cdbf4ceab44f201076f638d5fe

see https://github.com/punkave/sanitize-html

这个或许是你想要的

Septembers

2016-06-27 20:43:33 +08:00

抱歉没看节点请无视

yxzblue

2016-06-27 20:57:09 +08:00

```javascript
var s = '一、岗位及人数<o:p></o:p>办公室工作人员，1名；教师，4名。';
s = s.replace(/(?:\s+(?:class|style)=".+?"|\<font.+?\<\/font\>)/g, '');
console.log(s);
```

yxzblue

2016-06-27 21:00:26 +08:00

lslqtz

2016-06-27 21:03:11 +08:00

人家的方案都挺优雅的。

quxw

2016-06-27 21:21:08 +08:00

一个一个字符遍历，
'<' '>'之间，不以 'p', '/p' 'span' '/span'开头的删掉。空格什么再调整下修好了。
当然前提是你的 html 够规范

exoticknight

2016-06-27 22:39:45 +08:00

BS4 ，不用多想
HTML 规范， BS4 比正则简单，不易错
HTML 不规范，两个都一样糟糕

momou

2016-06-28 03:11:27 +08:00

\s\b(\S*?)[^>]*.*?
不规范的应该也可以匹配到吧

Valyrian

2016-06-28 05:23:01 +08:00

html 不是 regular language ，用正则前请三思
http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags

Cabana

2016-06-28 09:15:20 +08:00

对标签属性进行操作肯定用啊 bs ，对于 font 标签，把里面的内容提取出来，放到父节点中

practicer

2016-06-28 11:17:14 +08:00

倾向用正则
s = '''.......
.....'''

>>> pattern = re.compile('\s?(class|style)=\".*?\"\s?')
>>> result = re.sub(pattern , '', s)
>>> print result

davin

2016-06-28 11:19:50 +08:00

看到了 o:p 标签，这是从 Word 粘贴来的么？
不知道楼主是用于什么用途，把 Word 导入到 Dreamweaver ，用 Dreamweaver 自带的「清理 Word 的 HTML 」命令就够了

yiyiwa

2016-06-28 15:56:45 +08:00

刚学啊，看起来有点恶心，
#a 就是你的字符串

>>> print "".join([ "".join(i) for i in re.findall(r'(<[^ >]+>)|>([^<]+)',a) if "font" not in i[0]])
一、岗位及人数<o:p></o:p>办公室工作人员， 1 名；教师， 4 名。

yiyiwa

2016-06-28 16:19:49 +08:00

这样更好点，正则不熟悉啊

print "".join([ "".join(i) for i in re.findall("(<(?!/font)[^ >]+>)|>([^<]+)",a)])

omg21

2016-06-28 20:01:06 +08:00

@practicer 试了一下，你的方案效率最高，能不能解释下这个正则？
'\s?(class|style)=\".*?\"\s?'，或者用空格隔开，我看不懂哪个归哪个。。。

practicer

2016-06-28 20:23:58 +08:00

@omg21 先打开 http://rubular.com/，在这里测效果直观
是这样的：
class 和 style 两个属性的匹配规则相同，因此用小括号括起来，再用竖线隔开，表示“或”
隔开后：
1. \s?class=\".*?\"\s? 匹配 class 属性
2. \s?style=\".*?\"\s? 匹配 style 属性
看细节
\s 表示空格；
\s?表示空格匹配零次和一次；
class=\"表示 class="（反斜杠是转义符）；
.*表示匹配任意字符零次或无限次；

?\"表示匹配从左到右第一个双引号，问号指从左到右第一个，不加问好的话会匹配到整个字符串的最后一个双引号，称为贪婪模式，反斜杠仍然是转义符；

\s?表示匹配空格零次或一次
----
补一下匹配 font 元素字符：<font.+?\/font> 中间的问号同上，匹配从左到右第一个

omg21

2016-06-28 20:36:21 +08:00

@practicer 太详细了，十分感谢，但是有的情况还有用单引号和不用引号的，这两种情况应该怎么代入？

omg21

2016-06-28 20:58:37 +08:00

@practicer 这样三种情况，另外还有双引号里套着单引号的，我是取 class=一直到>之间的内容包括>，然后再用>替换掉。
>>> pattern = re.compile('\s?(class|style)=.*?>\s?')
>>> result = re.sub(pattern , '', s)
已通过，再次感谢。

practicer

2016-06-28 21:13:00 +08:00

@omg21
s = '''

'''

>>> re.compile('<.+?(?=>)', s)
这样写可以匹配从左到右第一个 “>” 它前面的所有字符，不管它前面是啥

omg21

2016-06-28 22:31:46 +08:00

@practicer <td class="p">如何在删除里的 class 的同时保留下来<td class="p">？

practicer

2016-06-28 23:04:09 +08:00

(?<=<p).+?(?=>)