python - 使用正则表达式删除 html 标签

Question

我试图在一定程度上删除 HTML 标签，但并非所有标签都被删除。但下面提到的标签并没有消失

print('NOT DEALT WITH:')
for body in not_dealt_with_list:
#p = re.compile(r'<.*?[\\t\\n\\r\\s]*?.*?>')
    print(remove_tags(body))
    #print(p.sub('', body))
    #body = re.sub()

def remove_tags(content):
parser = lxml.html.HTMLParser(remove_comments=True, 
remove_blank_text=True)
document = lxml.html.document_fromstring(content, parser)
return document.text_content()

Answer 1

看起来您要删除的内容已嵌入 html 注释中(因为它看起来不像 html)。 Html 注释以 开头，这就是您必须搜索的内容。

尝试使用此正则表达式来搜索注释中的所有内容，然后在多行中替换它

<!--(.|\n)*?-->

让我知道效果如何!