在 Python3 中操作 HTML 代码 [关闭]答案

【问题标题】：Manipulating HTML-Code in Python3 [closed]在 Python3 中操作 HTML 代码 [关闭]
【发布时间】：2016-03-20 14:29:26
【问题描述】：

我正在尝试使用 Python3 操作 HTML 文件并删除具有特定 id-Tag 的 div。

有没有比混合使用 for-Loops 和 regex 更优雅的方式来操作或删除这个容器？

我知道，有 HTMLParser 模块，但我不确定这是否对我有帮助（它会找到相应的标签，但如何删除这些和内容？）。

【问题讨论】：

标签： python html regex python-3.x web

【解决方案1】：

尝试lxml 和 css/xpath 查询。

例如，使用这个 html：

<html>
  <body>
    <p>Some text in a p.</p>
    <div class="go-away">Some text in a div.</div>
    <div><p>Some text in a p in a div</p></div>
  </body>
</html>

您可以将其读入，删除带有“go-away”类的 div，然后输出结果：

import lxml.html

html = lxml.html.fromstring(html_txt)
go_away = html.cssselect('.go-away')[0] # Or with suitable xpath
go_away.getparent().remove(go_away)

lxml.html.tostring(html) # Or lxml.html.tostring(html).decode("utf-8") to get a string

【讨论】：

谢谢，lxml 正是我想要的！

【解决方案2】：

虽然我不能强调这一点

不要使用正则表达式解析 HTML！

这是我使用正则表达式的方法。

from re import sub
new_html = sub('<div class=(\'go-away\'|"go-away")>.*?</div>', '', html)

尽管我认为这应该没问题，但你永远不应该使用正则表达式来解析任何东西。它通常会产生奇怪的、难以调试的问题。它会为你创造比你开始时更多的工作。 不要使用正则表达式解析。

【讨论】：

是的，确实如此。不要这样做。 Or you may go mad.
感谢分享您的经验！这就是我试图避免使用正则表达式的确切原因。这简直糟透了，因为无论您做什么，使用正则表达式都会更快地破坏。
正则表达式有时不合适，但对于大量可预测的数据来说绝对是绝妙的。 :)