Python 剥离html标记之间的空间

我有一个字符串，其中包含一些html标记，如下所示：

"<p>   This is a   test   </p>"

我想去掉标签之间所有多余的空格。我尝试了以下方法：

In [1]: import re

In [2]: val = "<p>   This is a   test   </p>"

In [3]: re.sub("\s{2,}", "", val)
Out[3]: '<p>This is atest</p>'

In [4]: re.sub("\s\s+", "", val)
Out[4]: '<p>This is atest</p>'

In [5]: re.sub("\s+", "", val)
Out[5]: '<p>Thisisatest</p>'

但我无法获得期望的结果，即这是一项测试

我怎样才能做到这一点呢？

试试看

re.sub(r'\s+<', '<', val)
re.sub(r'>\s+', '>', val)

然而，对于一般的现实世界使用来说，这太简单了，因为在现实世界中，如果标记是一个标记，则代理不一定总是一部分。想想块，块等等。你应该使用一个合适的HTML解析器来处理类似的事情。

试试看

re.sub(r'\s+<', '<', val)
re.sub(r'>\s+', '>', val)

---

然而，对于一般的现实世界使用来说，这太简单了，因为在现实世界中，如果标记是一个标记，则代理不一定总是一部分。考虑块、块等。您应该使用适当的HTML解析器来处理类似的事情。

尝试使用如下HTML解析器：

返回：

<p>This is a test</p>

---

尝试使用HTML解析器，如：

返回：

<p>This is a test</p>

这可能有助于：

import re

val = "<p>   This is a   test   </p>"
re_strip_p = re.compile("<p>|</p>")

val = '<p>%s</p>' % re_strip_p.sub('', val).strip()

这可能有助于：

import re

val = "<p>   This is a   test   </p>"
re_strip_p = re.compile("<p>|</p>")

val = '<p>%s</p>' % re_strip_p.sub('', val).strip()

您可以尝试以下方法：

re.sub(r'\s+(</)|(<[^/][^>]*>)\s+', '$1$2', val);

您可以尝试以下方法：

re.sub(r'\s+(</)|(<[^/][^>]*>)\s+', '$1$2', val);

---

从这个问题中，我看到您正在使用一个非常特定的HTML字符串进行解析。尽管正则表达式速度快且脏。注意：XML比HTML更严格。因此，如果您觉得可能没有XML，请按照@Haidro的建议使用BeautifulSoup

对于您的情况，您可以这样做：

>>> import xml.etree.ElementTree as ET
>>> p = ET.fromstring("<p>   This is a   test   </p>")
>>> p.text.strip()
'This is a   test'
>>> p.text = p.text.strip()  # If you want to perform more operation on the string, do it here.
>>> ET.tostring(p)
'<p>This is a   test</p>'

---

从这个问题中，我看到您正在使用一个非常特定的HTML字符串进行解析。尽管正则表达式速度快且脏。注意：XML比HTML更严格。因此，如果您觉得可能没有XML，请按照@Haidro的建议使用BeautifulSoup

对于您的情况，您可以这样做：

>>> import xml.etree.ElementTree as ET
>>> p = ET.fromstring("<p>   This is a   test   </p>")
>>> p.text.strip()
'This is a   test'
>>> p.text = p.text.strip()  # If you want to perform more operation on the string, do it here.
>>> ET.tostring(p)
'<p>This is a   test</p>'