Python-删除过多的html标记

所以我现在有一篇文章：

<i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i>

这篇文章是这样写的。

我认为这是一个很好的HTML，但是，我想清理它，删除所有多余的

标记，并将其简化为单个

标记：

<i>This article is written <a href="http://google.com">TEST</a>.</i>

这篇文章是这样写的。

我试图自己把它清理干净，但我需要向前看文本，在这方面没有太大的成功。是否有我可以使用的软件包，或者我可以使用的方法，或者我必须手动操作

---

谢谢

使用HTML解析器绝对是最可靠的解决方案。它将能够处理跨多行分割的标签

下面将解决您的示例，但可能不会更多

def OuterI(text):
    outer = re.search("(.*?)(\<i\>.*<\/i\>)(.*)", text)

    if outer:
        return "%s<i>%s</i>%s" % (outer.group(1), re.sub(r"(\<\/?[iI]\>)", "", outer.group(2)), outer.group(3))
    else:
        return text

print OuterI('<i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i>')
print OuterI('text before <i>This article is written </i><a href="http://google.com"><i>TEST</i></a><i>.</i> text after')

def OuterI（文本）：
外部=重新搜索（（.*）（\.*）（.*），文本）
如果是外部的：
返回“%s%s%s”%（外部组（1）、re.sub（r“（\）”、“”、外部组（2））、外部组（3））
其他：
返回文本
打印OuterI（'这篇文章是写的'）
print OuterI（'写这篇文章之前的文本，后面的文本'）

我不知道有什么能做到这一点。这两个HTML片断不等价（例如，如果有CSS规则<代码> I A/CODE >，它将匹配第二个，但不是第一个），所以您必须精确地解释您认为哪些重要的语义变化，哪些不是重要的。