Python 正则表达式处理HTML

我需要替换网页源代码中的所有HTML标记（例如

，
，等等），但我希望保留

和

。我试过：

re.sub(r'<[^>]+?>', u'', html, flags=re.I)

re.sub（r']+？>'，u''，html，flags=re.I）

这只实现了第一个目标，但不能保持

或

r'br]+？>“
也无法实现目标

什么是正确的正则表达式？

<((?!\bbr\b).)*?>


这应该适用于您的情况。负前瞻将确保未拾取


编辑：

）））*？>

如果你有这样荒谬的事情，试试这个<代码>
下面带有负前瞻断言的正则表达式可以工作

<(?!br\/?>)[^<>]*>

）[^]*>

不要使用正则表达式来处理HTML-HTML不是一种正则语言。使用HTML解析器。（）@jonrsharpe我知道你指的是BeautifulSoup等，但我不想为这个简单的问题安装另一个插件。标准库中也有一个解析器：。总有一天人们会停止用锤子拧螺栓（也称为用正则表达式解析html）？我对你问的另一个问题有正确的答案，因为某种原因你删除了它
re.sub（r“（（）+）”，“
”，html，flags=re.I | re.UNICODE）
您遇到的问题是您遗漏了
flags
关键字，因此它将
re.I | re.UNICODE
作为
计数，将其仅限于前33个替换项，这使得它看起来好像什么都没有发生，因为您只查看了输入文本的最后一行。我在这里回答是因为无法向您发送答案。这不起作用。）+？>。保留了一些其他标记。仍然删除了所有标记（包括

）。这个消极的前瞻正确吗？你似乎犯了一个小错误。这是有效的：
]）+？>
您包括一个额外的
为什么包括
\/br
？只有三种版本的
br
：

，
，
你最好在回答中使用
消极的前瞻
而不是
前瞻
，这样新手就不会感到困惑了。只是我谦虚的建议。前瞻是正则表达式中最困难的部分之一。
<(?!br\/?>)[^<>]*>