Python 使用正则表达式删除除 br 之外的所有 HTML 标签

在 Web 开发中，数据通常以 HTML 格式呈现。然而，在某些情况下，我们需要从 HTML 中获取纯文本，此时我们需要移除 HTML 标签。本文将介绍使用 Python 的正则表达式删除除 br 之外的所有 HTML 标签。

正则表达式

使用正则表达式去除 HTML 标签，需要使用正则表达式的特性，即贪婪匹配和非贪婪匹配。在正则表达式中，* 和 + 都是贪婪的，而 ? 是非贪婪的。

下面是替换 HTML 标签的正则表达式：

import re

html_str = '<div><p>Hello, World!</p><a href="https://www.example.com">example</a></div>'
text_str = re.sub('<[^br].*?>', '', html_str)
print(text_str)

# 输出：<p>Hello, World!</p><br>

上述代码使用 re.sub() 方法替换了 HTML 标签。正则表达式 <[^br].*?> 匹配除了 br 标签之外的所有标签，并将其替换为空字符串。? 的作用是让 * 变成非贪婪匹配。

完整代码

下面是完整的 Python 代码，在以上基础上，加入了对于 br 标签的特殊处理：

import re

def remove_html_tags(html_str):
    text_str = re.sub('<([A-Za-z][A-Za-z0-9]*)\b[^>]*>(.*?)</\1>', '', html_str)  # 删除所有标签
    text_str = re.sub('<br\s*>', '<br>', text_str)  # 将带属性的 br 标签转换为无属性的 br 标签
    text_str = re.sub('<[^br].*?>', '', text_str)  # 删除除 br 标签外的所有标签
    return text_str

html_str = '<div><p>Hello, World!</p><a href="https://www.example.com">example</a><br/></div>'
text_str = remove_html_tags(html_str)
print(text_str)

# 输出：Hello, World!<br>

上述代码使用 remove_html_tags() 函数封装了整个流程。首先使用正则表达式删除所有 HTML 标签，随后将带属性的 br 标签转换为无属性的 br 标签，最后删除除 br 标签之外的所有标签。

总结

本文介绍了使用 Python 的正则表达式删除除 br 之外的所有 HTML 标签，可以根据需要灵活调整正则表达式来满足不同需求。