使用Python从第一个单元格HTML中删除文本

Question

我有这个文件：

    <table>
    <tr>
    <td WIDTH="49%">
    <p><a href="...1.htm"> cell to remove</a></p></td>
    <td WIDTH="51%"> some text </td>
    </tr>

我需要以下内容：

    <table>
    <tr>
    <td> 
    </td>
    <td WIDTH="51%"> some text </td>
    </tr>

我试图用此HTML读取文件，然后用一个空的标签替换我的第一个标签：

   ret = open('rec1.txt').read()
   re.sub('<td[^/td>]+>','<td> </td>',ret, 1)
   final= open('rec2.txt', 'w')
   final.write(ret)
   final.close()

您可以看到，我是新来的使用Python和其他东西，当我阅读rec2.txt时，它包含了上一个文件的完全相同的文本。

tks

Answer 1

使用Regex对解析HTML是一种非常糟糕的做法（请参阅评论中的@lutz Horn的链接）。

改用HTML解析器。例如，这是您可以使用Beautifutsoup设置第一个td标签的值以空的方式：

美丽的汤是一个用于从HTML中抽出数据的Python库， XML文件。它与您喜欢的解析器一起使用以提供惯用性 导航，搜索和修改解析树的方式。它 通常节省程序员数小时或数天的工作。

from bs4 import BeautifulSoup

data = """
<table>
    <tr>
        <td WIDTH="49%">
            <p><a href="...1.htm"> cell to remove</a></p>
        </td>
        <td WIDTH="51%">
            some text
        </td>
    </tr>
</table>"""
soup = BeautifulSoup(data, 'html.parser')
cell = soup.table.tr.td
cell.string = ''
cell.attrs = {}
print soup.prettify(formatter='html')

打印：

<table>
 <tr>
  <td>
  </td>
  <td width="51%">
   some text
  </td>
 </tr>
</table>

另请参见：

• 在Python中解析html
• 使用Python解析HTML

希望会有所帮助。

Answer 2

使用Regex对html进行解析是非常糟糕的做法。如果您实际上是在尝试修改HTML，请使用HTML解析器。

如果问题是学术性的，或者您只是试图在问题中描述的有限转换，这是一个将来这样做的正则计划：

#!/usr/bin/python
import re
ret = open('rec1.txt').read()
ret = re.sub('<td.*?/td>','<td> </td>',ret, 1, re.DOTALL)
final= open('rec2.txt', 'w')
final.write(ret)
final.close()

注意：

• 表达式[/td]表示/，t或d的任何一个以任何顺序匹配。请注意，我如何使用.*匹配任意字符串，然后是/td。
• re.sub()的最终，可选的论点是一个标志参数。re.DOTALL允许.匹配新行。
• ?意味着执行非怪兽搜索，因此它只会消耗一个单元格。
• re.sub()返回结果字符串，它不会修改到适当的字符串。