虽然正则表达式在处理HTML时可能不如专门的HTML解析库准确，但如果你只是想简单地从HTML文本中移除style和script标签，你可以尝试以下方法。
import re
def remove_style_and_script(html_text):
# 使用正则表达式匹配style和script标签
pattern = r"<(style|script)[\s\S]*?</\1>"
# 使用re.sub函数将匹配的标签替换为空字符串
cleaned_html = re.sub(pattern, "", html_text, flags=re.IGNORECASE)
return cleaned_html
# 原始的HTML文本
html_content = """
<html>
<head>
<style>
body {
font-size: 16px;
}
</style>
</head>
<body>
<p>This is a paragraph.</p>
<script>
alert("Hello, world!");
</script>
</body>
</html>
"""
# 过滤掉style和script标签后的HTML文本
filtered_html = remove_style_and_script(html_content)
print(filtered_html)
在上述代码中，我们使用正则表达式 <(style|script)[\s\S]*?</\1>用于匹配对应的结束标签 来匹配style和script标签，然后使用re.sub函数将匹配的标签替换为空字符串。[\s\S]*?表示匹配任意字符（包括换行符），而</\1>用于匹配对应的结束标签。。
请注意，这种方法可能无法处理一些复杂的HTML结构，并且在处理HTML时，正则表达式可能会出现一些意外情况。为了更准确和安全地处理HTML文本，请考虑使用专门的HTML解析库，如Beautiful Soup。
发表评论 取消回复