用于查找的 Python 正则表达式和用于从列表中删除的正则表达式

Question

不久前，我为自己构建了这个小型 RSS 阅读器，并受到启发来更新它，以排除描述标签中的垃圾内容。我现在正忙着测试它以删除 &'lt; (全部内容)>>从描述标签来看，我在进行这个仪式时遇到了困难。

到目前为止我的代码看起来像这样

from re import findall
from Tkinter import *
from urllib import urlopen

disc = []
URL = 'http://feeds.sciencedaily.com/sciencedaily/matter_energy/engineering?format=xml'
O_W = urlopen(URL).read()

disc_ex = findall('<description>(.*)</description>',O_W)
for i in disc_ex:
    new_disc = i.replace(findall('&lt;(.*)&gt;',i),'')
    disc.extend([new_disc])

因此，在尝试删除一些垃圾文本的 new_disc 代码行之前，我通常会让我的文本看起来像这样

"Tailored DNA structures could find targeted cells and release their molecular payload selectively into the cells.<img src="http://feeds.feedburner.com/~r/sciencedaily/matter_energy/engineering/~4/J1bTggGxFOY" height="1" width="1" alt=""/>"

我想要的只是没有垃圾的文本，所以本质上只是:

"Tailored DNA structures could find targeted cells and release their molecular payload selectively into the cells."

对我有什么建议吗？

Answer 1

有多种解决方案，例如 BeautifulSoup。要遵循您的想法，请避免使用 '<' ...'>' 括号内的字符串，只需更改最后一行:

...
for i in disc_ex:
    new_disc = i.replace(findall('<(.*)>',i),'')
    disc.extend([re.sub(r'<(.*)/>','',new_disc)])