Python 正则表达式去除没有 href 属性的 html a 标签答案

【问题标题】：Python regex to strip html a tags without href attributePython 正则表达式去除没有 href 属性的 html a 标签
【发布时间】：2013-06-18 04:48:56
【问题描述】：

我有一个用 lxml 的 Cleaner 清理过的字符串，所以所有的链接现在都是 Content.xml 的形式。现在我想去掉所有没有 href 属性的链接，例如

<a rel="nofollow">Link to be removed</a>

应该变成

Link to be removed

同样的：

<a>Other link to be removed</a>

应该变成：

Other link to be removed

仅包含缺少 href 属性的所有链接。它不一定是正则表达式，但由于 lxml 返回一个干净的标记结构，它应该是可能的。我需要的是一个去掉了这种非功能性 a 标签的源字符串。

【问题讨论】：

不要使用正则表达式来读取/操作 HTML。改用 HTML/XML 库
哪个是这样做的，如何做到的？在 lxml、FilterHTML 或漂白剂中找不到此功能。另外，字符串已经被 lxml 解析过了。

标签： python html regex strip htmlcleaner

【解决方案1】：

使用drop_tag 方法。

import lxml.html

root = lxml.html.fromstring('<div>Test <a rel="nofollow">Link to be <b>removed</b></a>. <a href="#">link</a>')
for a in root.xpath('a[not(@href)]'):
    a.drop_tag()

assert lxml.html.tostring(root) == '<div>Test Link to be <b>removed</b>. <a href="#">link</a></div>'

http://lxml.de/lxmlhtml.html

.drop_tag(): 删除标记，但保留其子项和文本。

【讨论】：

谢谢！！这很好用。如果我使用这个 xpath：'//a[not(@href)]'，它对我有用。没有“//”，它不会找到所有嵌套链接。

【解决方案2】：

您可以使用BeautifulSoup，这样可以更轻松地找到没有href 的<a> 标签：

>>> from bs4 import BeautifulSoup as BS
>>> html = """
... <a rel="nofollow">Link to be removed</a>
... <a href="alink">This should not be included</a>
... <a>Other link to be removed</a>
... """
>>> soup = BS(html)
>>> for i in soup.find_all('a', href=False):
...     i.replace_with(i.text)
... 
>>> print soup
<html><body>Link to be removed
<a href="alink">This should not be included</a>
Other link to be removed</body></html>

【讨论】：

输出文本，但我想仅在源字符串内剥离 html 标签。我将编辑我的问题以澄清这一点。
@Nasmon 哦，像Hello. <a>Test</a>. Yay. 这样的东西应该是Hello. Test. Yay.？
没错，那太好了！
谢谢海德罗！由于我已经在使用 lxml 并且没有安装 BeautifulSoup，因此我接受了 falsetru 的回答。但是有一个 BeautifulSoup 的替代品真是太好了！
@Nasmon，如果a标签包含另一个标签，那将会丢失。