Python正则表达式:删除某些HTML标记及其中的内容

如果我有一个包含这个的字符串:

<p><span class=love><p>miracle</p>...</span></p><br>love</br>

我想删除字符串:

<span class=love><p>miracle</p>...</span>

也许还有其他一些HTML标签.同时,将保留其他标签及其中的内容.

结果应该是这样的:

<p></p><br>love</br>

我想知道如何使用正则表达式模式?
我试过的:

r=re.compile(r'<span class=love>.*?(?=</span>)')
r.sub('',s)

但它会离开

</span>

你能帮助我这次使用re模块吗?接下来我将学习html解析器

最佳答案 首先要做的事:
Don’t parse HTML using regular expressions

话虽这么说,如果该span标签中没有额外的span标签,那么你可以这样做:

text = re.sub('<span class=love>.*?</span>', '', text)

另外注意:段落标签不应该在span标签内(仅限phrasing content).

您尝试过的表达式< span class = love>.*?(?=< / span>)已经相当不错了.问题是前瞻(?=< / span>)将永远不会与它前瞻的相匹配.因此表达式将在结束span标记之前立即停止.您现在可以在末尾手动添加结束范围,即< span class = love>.*?(?=< / span>)< / span>,但这不是必需的:.*?是一种非贪婪的表达.它将尝试尽可能少地匹配.所以在.*?< / span> .*?仅匹配直到找到它立即停止的结束跨度.

点赞