Loại bỏ thẻ hình ảnh html và tất cả mọi thứ ở giữa từ một chuỗi

Question

Tôi đã nhìn thấy một số câu hỏi về loại bỏ các thẻ HTML từ chuỗi, nhưng tôi vẫn còn một chút không rõ ràng về cách trường hợp cụ thể của tôi cần được xử lý.

I have seen that nhiều bài viết khuyên bạn không dùng biểu thức thông thường để xử lý HTML, nhưng tôi nghi ngờ trường hợp của tôi có thể đảm bảo gian lận đắn của quy tắc này.

Tôi đang cố gắng để phân tích các tập tin PDF và tôi đã thành công trong việc chuyển đổi mỗi trang từ tập tin PDF mẫu của tôi vào một chuỗi UTF-32 văn bản. Khi hình ảnh xuất hiện, một thẻ kiểu HTML được chèn vào có chứa tên và vị trí của hình ảnh (được lưu ở nơi khác).

Trong một phần riêng biệt của ứng dụng của tôi, tôi cần phải thoát khỏi những thẻ hình ảnh. Vì chúng tôi chỉ chỉ xử lý các thẻ hình ảnh, tôi nghi ngờ việc sử dụng regex có thể được đảm bảo.

Câu hỏi của tôi là hai khía cạnh:

1. Tôi có nên sử dụng một regex để loại bỏ các thẻ, hoặc nên tôi vẫn sử dụng một mô-đun phân tích cú pháp HTML như BeautifulSoup?
2. Tôi nên sử dụng cấu trúc regex hoặc BeautifulSoup nào? Nói cách khác, tôi nên viết mã này như thế nào?

Để rõ ràng, các thẻ được cấu trúc như <img src="/path/to/file"/>

Cảm ơn!

Answer 1

tôi sẽ bỏ phiếu rằng trong trường hợp của bạn thì có thể sử dụng một biểu thức chính quy. Một cái gì đó như thế này nên làm việc:

def remove_html_tags(data): 
    p = re.compile(r'<.*?>') 
    return p.sub('', data) 

tôi thấy đoạn đó ở đây (http://love-python.blogspot.com/2008/07/strip-html-tags-using-python.html)

chỉnh sửa: phiên bản này sẽ chỉ loại bỏ những sự thuộc về hình thức <img .... />:

def remove_img_tags(data): 
    p = re.compile(r'<img.*?/>') 
    return p.sub('', data) 

Answer 2

Kể từ khi văn bản này chứa chỉ thẻ hình ảnh, nó có thể là OK để sử dụng một regex. Nhưng đối với bất cứ điều gì khác bạn có lẽ tốt hơn bằng cách sử dụng một phân tích cú pháp HTML bonafide. May mắn thay Python cung cấp một! Điều này là khá trần xương - để có đầy đủ chức năng, điều này sẽ phải xử lý nhiều trường hợp góc hơn. (. Đáng chú ý nhất, XHTML kiểu thẻ rỗng (kết thúc bằng một dấu gạch chéo <... />) đều không được xử lý một cách chính xác ở đây)

>>> from HTMLParser import HTMLParser 
>>> 
>>> class TagDropper(HTMLParser): 
...  def __init__(self, tags_to_drop, *args, **kwargs): 
...   HTMLParser.__init__(self, *args, **kwargs) 
...  self._text = [] 
...   self._tags_to_drop = set(tags_to_drop) 
...  def clear_text(self): 
...   self._text = [] 
...  def get_text(self): 
...   return ''.join(self._text) 
...  def handle_starttag(self, tag, attrs): 
...   if tag not in self._tags_to_drop: 
...    self._text.append(self.get_starttag_text()) 
...  def handle_endtag(self, tag): 
...   self._text.append('</{0}>'.format(tag)) 
...  def handle_data(self, data): 
...   self._text.append(data) 
... 
>>> td = TagDropper([]) 
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n') 
>>> print td.get_text() 
A line of text 
A line of text with an <img url="foo"> tag 
Another line of text with a <br> tag 

Và để thả img thẻ ...

>>> td = TagDropper(['img']) 
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n') 
>>> print td.get_text() 
A line of text 
A line of text with an tag 
Another line of text with a <br> tag 

Answer 3

giải pháp của tôi là:

def remove_HTML_tag(tag, string): 
    string = re.sub(r"<\b(" + tag + r")\b[^>]*>", r"", string) 
    return re.sub(r"<\/\b(" + tag + r")\b[^>]*>", r"", string)