与蟒蛇

Question

删除特定HTML标签我有一个HTML细胞内的一些HTML表格，就像这样：

miniTable='<table style="width: 100%%" bgcolor="%s"> 
       <tr><td><font color="%s"><b>%s</b></td></tr> 
      </table>' % (bgcolor, fontColor, floatNumber) 

html += '<td>' + miniTable + '</td>' 

有没有办法去除，涉及到这个minitable HTML标记，并只有这些html标签？
我想以某种方式删除这些标签：

<table style="width: 100%%" bgcolor="%s"><tr><td><font color="%s"><b> 
and 
</b></td></tr></table> 

得到这个：

floatNumber 

其中floatNumber是一个浮点数的字符串表示。 我不希望任何其他HTML标记以任何方式进行修改。我想使用string.replace或正则表达式，但我很难过。

Answer 1

如果您不能安装和使用美丽的汤（否则BS是首选，因为@奥托allmendinger建议）：

import re 
s = '<table style="width: 100%%" bgcolor="%s"><tr><td><font color="%s"><b>1.23</b></td></tr></table>' 
result = float(re.sub(r"<.?table[^>]*>|<.?t[rd]>|<font[^>]+>|<.?b>", "", s)) 

Answer 2

Do not use str.replace or regex.

使用HTML解析库像Beautiful Soup，得到你想要的元素，包含的文本。

最后的代码应该是这个样子

from bs4 import BeautifulSoup 

soup = BeautifulSoup(html_doc) 

for t in soup.find_all("table"): # the actual selection depends on your specific code 
    content = t.get_text() 
    # content should be the float number