怎样删除部分字符串？

[omg21]

<p class="p"><b><span style="font-family: 'Times New Roman'; font-size: 12pt;">一、岗位及人数</span></b><span style="font-family: 'Times New Roman'; font-size: 12pt;"><o:p></o:p></span></p><p class="p"><span style="font-family: 'Times New Roman'; font-size: 12pt;">办公室工作人员，<font face="Times New Roman">1</font><font face="微软雅黑">名；教师，</font><font face="Times New Roman">4</font><font face="微软雅黑">名。</font></span>

文本是类似这样的，我想删除 tag 里面的 class 、 style ，保留<p><span><div>并且删除掉<font>应该怎么做？
是用 BS4 还是用字符串操作？

[15954237961]

用 replace 试试

[lslqtz]

正则匹配试试。

[omg21]

@15954237961 用 replace 有局限性，这段代码是 class=p ，下段代码有可能就是 class=y 。

[omg21]

@lslqtz 用正则容易伤及无辜

[seki]

<font>在这里相当于 <span> 的子元素，所以把文本提出来 append 到 <span> 的文本里面？用 lxml 或者 bs4 ？

[lslqtz]

@omg21 不用代码有局限性。

[lslqtz]

正则 打错。

[lslqtz]

class="(.*?)"
已提取出来。
http://233.dog/f_22821044.png

[orcusfox]

js 里面我是这样的
string.replace(/\s?(class|style)="[^"]+?"/g, '')
这样可以选择性的删 不过缺点是没有办法清掉 class=""这样的。

[omg21]

@seki 我考虑了一下，提<font>的子元素再放到<span>里不好操作啊，搞不清顺序。

[omg21]

@lslqtz 嗯，就用这个了

[omg21]

@napsterwu 那就在最后单独加个删 class=""的就行了，谢了

[seki]

https://www.crummy.com/software/BeautifulSoup/bs4/doc/#get-text
https://www.crummy.com/software/BeautifulSoup/bs4/doc/#unwrap

来自于 sof ： http://stackoverflow.com/questions/16206380/python-beautifulsoup-how-to-remove-all-tags-from-an-element

[ChiChou]

你可以构建一个 DOM 树然后取 textContent 。。那么 @seki 的方案即可

[Septembers]

https://gist.github.com/anonymous/187c80cdbf4ceab44f201076f638d5fe

see https://github.com/punkave/sanitize-html

这个或许是你想要的

[Septembers]

抱歉没看节点请无视

[yxzblue]

```javascript
var s = '<p class="p"><b><span style="font-family: \'Times New Roman\'; font-size: 12pt;">一、岗位及人数</span></b><span style="font-family: \'Times New Roman\'; font-size: 12pt;"><o:p></o:p></span></p><p class="p"><span style="font-family: \'Times New Roman\'; font-size: 12pt;">办公室工作人员，<font face="Times New Roman">1</font><font face="微软雅黑">名；教师，</font><font face="Times New Roman">4</font><font face="微软雅黑">名。</font></span>';
s = s.replace(/(?:\s+(?:class|style)=".+?"|\<font.+?\<\/font\>)/g, '');
console.log(s);
```

[yxzblue]

<script src='http://git.oschina.net/imzhi/codes/4r92sv1o8i5ygjxanpfz7/widget_preview'></script>

[lslqtz]

人家的方案都挺优雅的。

[quxw]

一个一个字符遍历，
'<' '>'之间，不以 'p', '/p' 'span' '/span'开头 的删掉。空格什么再调整下修好了。
当然前提是你的 html 够规范

[exoticknight]

BS4 ，不用多想
HTML 规范， BS4 比正则简单，不易错
HTML 不规范，两个都一样糟糕

[momou]

\s\b(\S*?)[^>]*.*?
不规范的应该也可以匹配到吧

[Valyrian]

html 不是 regular language ，用正则前请三思
http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags

[Cabana]

对标签属性进行操作肯定用啊 bs ，对于 font 标签，把里面的内容提取出来，放到父节点中

[practicer]

倾向用正则
s = '''<p class="p">.......
.....'''

>>> pattern = re.compile('\s?(class|style)=\".*?\"\s?')
>>> result = re.sub(pattern , '', s)
>>> print result

[davin]

看到了 o:p 标签，这是从 Word 粘贴来的么？
不知道楼主是用于什么用途，把 Word 导入到 Dreamweaver ，用 Dreamweaver 自带的 「清理 Word 的 HTML 」命令就够了

[yiyiwa]

刚学啊， 看起来有点恶心，
#a 就是你的字符串

>>> print "".join([ "".join(i) for i in re.findall(r'(<[^ >]+>)|>([^<]+)',a) if "font" not in i[0]])
<b>一、岗位及人数</span></b><o:p></o:p></span></p>办公室工作人员， 1 名；教师， 4 名。</span>

[yiyiwa]

这样更好点， 正则不熟悉啊

print "".join([ "".join(i) for i in re.findall("(<(?!/font)[^ >]+>)|>([^<]+)",a)])

[omg21]

@practicer 试了一下，你的方案效率最高，能不能解释下这个正则？
'\s?(class|style)=\".*?\"\s?'，或者用空格隔开，我看不懂哪个归哪个。。。

[practicer]

@omg21 先打开 http://rubular.com/，在这里测效果直观
是这样的：
class 和 style 两个属性的匹配规则相同，因此用小括号括起来，再用竖线隔开，表示“或”
隔开后：
1. \s?class=\".*?\"\s? 匹配 class 属性
2. \s?style=\".*?\"\s? 匹配 style 属性
看细节
\s 表示空格；
\s?表示空格匹配零次和一次；
class=\"表示 class="（反斜杠是转义符）；
.*表示匹配任意字符零次或无限次；

?\"表示匹配从左到右第一个双引号，问号指从左到右第一个，不加问好的话会匹配到整个字符串的最后一个双引号，称为贪婪模式，反斜杠仍然是转义符；

\s?表示匹配空格零次或一次
----
补一下匹配 font 元素字符：<font.+?\/font> 中间的问号同上，匹配从左到右第一个

[omg21]

@practicer 太详细了，十分感谢，但是有的情况<p class="p">还有用单引号和不用引号的，这两种情况应该怎么代入？

[omg21]

@practicer <p class="p"><p class=‘ p ’><p class=p> 这样三种情况，另外还有双引号里套着单引号的，我是取 class=一直到>之间的内容包括>，然后再用>替换掉。
>>> pattern = re.compile('\s?(class|style)=.*?>\s?')
>>> result = re.sub(pattern , '', s)
已通过，再次感谢。

[practicer]

@omg21
s = '''
<p class="p"><p class=‘ p ’><p class=p>
'''

>>> re.compile('<.+?(?=>)', s)
这样写可以匹配 从左到右第一个 “>” 它前面的所有字符，不管它前面是啥

[omg21]

@practicer <p class="p"><td class="p">如何在删除<p>里的 class 的同时保留下来<td class="p">？

[practicer]

(?<=<p).+?(?=>)