0

(タイトルわかりづらくてすいません)
pythonのreモジュールを使用しています。
使いたい場面は今まで何度かありましたが、次のような属性付きのHTMLタグから属性を削除するシチュエーションを考えます。

これを
    <div id="hogehoge"><span class="fugafuga">piyopiyo</span></div>

こうしたい
    <div><span>piyopiyo</span></div>

現在はre.sub(<div[^<>]*>, <div>, s)と、re.sub(<span[^<>]*>, <span>, s)の2つの置換で実現していますが、1つの正規表現で書けるのではと考えています。(sは上記のHTML文字列です。)

似たような?機能で、()で囲んでマッチした部分を\1, \2で参照することができるようですが、解決には至りませんでした。
どなたかお知恵を貸してください。

2 件の回答 2

2

似たような?機能で、()で囲んでマッチした部分を\1, \2で参照することができるようですが、解決には至りませんでした。

おっしゃる機能はグループと参照ですね。次のようにすれば、1つの正規表現で(このケースについては)目的を達成できます。

s = '<div id="hogehoge"><span class="fugafuga">piyopiyo</span></div>'
s = re.sub(r'<(\w+)[^<>]*>', r'<\1>', s)
print(s) #=> <div><span>piyopiyo</span></div>

ただし、HTMLの編集に関しては、正規表現で処理をするのはおすすめしません。このような単純なケースではうまくいくように見えても、複雑なコードではコーナーケースで失敗する可能性が高いです。理想的には、metropolisさんのおっしゃるようにBeautifulSoupやlxmlなどのHTMLのパース・操作を専門とするライブラリを利用した方がよいと思います。

2

BeautifulSoup を利用して属性を削除する方が簡便かと思います。

from bs4 import BeautifulSoup

html = '<div id="hogehoge"><span class="fugafuga">piyopiyo</span></div>'

soup = BeautifulSoup(html, 'html.parser')
for elm in soup.find_all():
    elm.attrs.clear()

result = str(soup)
print(result)

# <div><span>piyopiyo</span></div>

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。