Python regex：删除某些HTML标记及其内容

Question

如果我有一个包含以下内容的字符串：

<p><span class=love><p>miracle</p>...</span></p><br>love</br>

我想删除字符串：

<span class=love><p>miracle</p>...</span>

或许还有其他一些HTML标签。同时，保留其他标签及其内容。

结果应该是这样的：

<p></p><br>love</br>

我想知道如何使用regex模式？ 我试过的：

r=re.compile(r'<span class=love>.*?(?=</span>)')
r.sub('',s)

但它会离开

</span>

这次你能帮我用重新模块吗？接下来我将学习html解析器

Answer 1

先做第一件事：Don’t parse HTML using regular expressions

也就是说，如果该范围标记中没有其他范围标记，则可以这样做：

text = re.sub('<span class=love>.*?</span>', '', text)

另一方面：段落标记不应该在span标记内（只有phrasing content是）。

---

您尝试过的表达式<span class=love>.*?(?=</span>)已经非常好了。问题是，展望(?=</span>)永远不会与它的展望相匹配。因此表达式将在关闭span标记之前立即停止。现在，您可以在末尾手动添加一个结束跨度，即<span class=love>.*?(?=</span>)</span>，但这并不是真正必要的：.*?是一个非贪婪的表达式。它将尽可能少地匹配。因此在.*?</span>中，.*?将只匹配，直到找到一个闭合跨度，它立即停止。