Python - 删除未关闭的标签答案

【问题标题】：Python - Remove Unclosed TagsPython - 删除未关闭的标签
【发布时间】：2014-11-26 20:50:40
【问题描述】：

在 Python 中，我有一系列带有未闭合标签的凌乱字符串。注意：这不需要像 NLP 解析器那样是正确的 XML。例如考虑以下字符串：

<hi><TIMEX>every monday, wednesday and friday</TIMEX> </TIMEX>but <TIMEX>not saturday 
</TIMEX></bye><TIMEXUNTIL>until january</TIMEXUNTIL> from <TIMERANGE>11:30am-12:00
</TIMERANGE>

我们有一个额外的开放标签：

<hi>

还有额外的结束标签：

</TIMEX>
</bye>

如何轻松删除没有匹配打开/关闭的任何标签？我正在寻找的输出是：

<TIMEX>every monday, wednesday and friday</TIMEX> but <TIMEX>not saturday 
</TIMEX><TIMEXUNTIL>until january</TIMEXUNTIL> from <TIMERANGE>11:30am-12:00
</TIMERANGE>

【问题讨论】：

你还有一个额外的</TIMEX>，就在第一行的but之前...
是的，我忘了添加那个。已更新。
Link。尝试这个。我看到了它的 HTML，但也许你可以处理自定义标签。
@juree，我最初是在看那个，但它似乎可以处理添加丢失的标签，而不是删除多余的标签。但是是的，BeautifulSoup 可以处理这些类型的自定义标签。
基于大多数许可解析器的工作方式，看到像<hi> 这样的开始标签，他们假设标签包含最大数量的后续节点。这与+ 和* 正则表达式运算符的“贪婪”行为完全相同。在这种情况下，<hi> 将包含您的整个文档，删除它会删除所有内容。可能不是你想要的。但这就是像 BeautifulSoup 和 lxml.html 这样的宽容解析器会给你的。

标签： python beautifulsoup lxml

【解决方案1】：

一种解决方案可以是遍历字符串，查找标签，包括已关闭和已打开的标签。

然后相应地输入逻辑。理想情况下，它可以用堆栈数据结构来解决。可以使用以下逻辑编写代码。 -

让 a 成为标签，打开或关闭
检查标签是否在列表中，以相反的方式检查
如果您在列表中找到合适的标签并将其删除。如果没有，请同时添加该标签及其位置。适当的标签可以定义为一个开放标签的封闭标签或另一个开放标签，或者一个封闭标签的开放标签。
在迭代结束时，您将拥有未关闭/未打开的标签及其位置。现在您可以继续删除了。

【讨论】：