python 删除 <div class="comment> .. any... </div> 之间的所有内容答案

【问题标题】：python remove everything between <div class="comment> .. any... </div>python 删除 <div class="comment> .. any... </div> 之间的所有内容
【发布时间】：2010-04-15 23:50:41
【问题描述】：

如何使用 python 2.6 删除包括<div class="comment"> ....remove all ....</div>在内的所有内容

我尝试了各种使用 re.sub 的方法都没有成功

谢谢

【问题讨论】：

必填链接：stackoverflow.com/questions/1732348/…

标签： python class html

【解决方案1】：

这可以使用像BeautifulSoup这样的HTML解析器轻松可靠地完成：

>>> from BeautifulSoup import BeautifulSoup
>>> soup = BeautifulSoup('<body><div>1</div><div class="comment"><strong>2</strong></div></body>')
>>> for div in soup.findAll('div', 'comment'):
...   div.extract()
... 
<div class="comment"><strong>2</strong></div>
>>> soup
<body><div>1</div></body>

有关why parsing HTML using regular expressions is a bad idea 的示例，请参阅此问题。

【讨论】：

【解决方案2】：

与lxml.html:

from lxml import html
doc = html.fromstring(input)
for el in doc.cssselect('div.comment'):
    el.drop_tree()
result = html.tostring(doc)

【讨论】：

【解决方案3】：

您无法使用正则表达式正确解析 HTML。使用 HTML 解析器，例如 lxml 或 BeautifulSoup。

【讨论】：

我正在尝试删除所有内容，包括 div 和介于两者之间的所有内容。我似乎在 BeautifulSoup 中找不到任何关于它的参考
另一个例子，比如说我想删除 ...
，所以我想删除 html 内容中的所有表格，我不知道你是怎么做的在 BeautifulSoup 中
甚至不在文档“修改解析树”部分的“删除元素”小节中？
是的，我看到了，但你不能删除与该标签相关的特定类或 ID

【解决方案4】：

为了记录，使用正则表达式处理 XML 通常是个坏主意。尽管如此：

>>> re.sub('>[^<]*', '>', '<div class="comment> .. any… </div>')
'<div class="comment></div>'

【讨论】：

我想知道除了内容之外，OP是否还希望删除DIV标签本身的书挡项目。
是的，基本上，我正在尝试从 div 的开头到结尾删除，例如，您想删除 html 内容中的某些表，例如删除所有 ...
,

【解决方案5】：

非正则表达式

pat='<div class="comment">'
for chunks in htmlstring.split("</div>"):
    m=chunks.find(pat)
    if m!=-1:
       chunks=chunks[:m]
    print chunks

输出

$ cat file
one two <tag> ....</tag>
 adsfh asdf <div class="comment"> ....remove
all ....</div>s sdfds
<div class="blah" .......
.....
blah </div>

$ ./python.py
one two <tag> ....</tag>
 adsfh asdf
s sdfds
<div class="blah" .......
.....
blah

【讨论】：

【解决方案6】：

使用 Beautiful soup 并执行类似的操作来获取所有这些元素，然后在里面替换

tomatosoup = BeautifulSoup(myhtml)

tomatochunks = tomatosoup.findall("div", {"class":"comment"} )

for chunk in tomatochunks:
   #remove the stuff

【讨论】：

如果它的 XML 而不是 HTML 使用 BeautifulStoneSoup crummy.com/software/BeautifulSoup/documentation.html