python - 从 html 代码中过滤掉空的 <span> 标签

Question

我有一些 html 代码，其中有很多行我想删除，看起来像这样

<span style="position:absolute; border: black 1px solid; left:94px; top:600px; width:6px; height:10px;"></span>

现在还有 span 标签，它们之间有文本，我想保留。

我想用python的re.sub函数删除那些无用的span标签。我写了这个但是它不起作用

html_code_filtered = re.sub('<span*></span>', '', html_code)

我想我在正则表达式中遗漏了一些正确匹配行的内容？

Answer 1

您可以使用类似 BeautifulSoup 的 HTML 解析器删除没有文本的 span 元素。

工作示例:

from bs4 import BeautifulSoup

data = """
<div>
    <span style="position:absolute; border: black 1px solid; left:94px; top:600px; width:6px; height:10px;"></span>
    <span>useful text</span>
    <span></span>
</div>
"""

soup = BeautifulSoup(data, "html.parser")

# find and remove "span" elements with empty contents
for useless in soup.find_all("span", text=lambda text: not text):
    useless.extract()

print(soup.prettify())

打印(如您所见，没有内容的 span 元素已被删除):

<div>
 <span>
  useful text
 </span>
</div>