GoLang WebCrawling删除空标记

Question

我正在尝试抓取web，在少数情况下，我的HTML看起来像这样，并且包括n&CCD_ 2。

<article>
<div></div>
<p>
<br/>n</p>nt
<p><span></span></p>
</article>

在某些情况下，我该如何删除标签？我有n或t，我也需要去掉它。

1. 正在剥离所有标签，使其变为空
2. 如果它是空的，那么它的父级也将是空的

Answer 1

我不知道这是否是您想要的。

re, _ := regexp.Compile("(<.*?>|n|t|\\n|\\t)")
rep := re.ReplaceAllString(`<article>
<div></div>
<p>
<br/>n</p>nt
<p><span></span></p>
</article>`, "")
fmt.Println(rep)

或者，以下代码仅删除空标记。

func RemoveTags(html string) string {
re, _ := regexp.Compile("<[^>/]+></[^>]+>")
rep := re.ReplaceAllString(html, "")
if rep != html {
return RemoveTags(rep)
}
return rep
}
re, _ := regexp.Compile("(n|t|\\n|\\t|<[^/>]+/>)")
rep := re.ReplaceAllString(`<article>123
<div></div>
<p>
<br/>n</p>nt
<p><span></span></p>
</article>`, "")
fmt.Println(RemoveTags(rep))

结果：

<article>123</article>