Python实现HTML标签替换并排除特定<br><br>行的问题

问题背景 #

需要处理test.html文件：

• 定位所有以<p class="text_obisnuit">或<p class="text_obisnuit2">开头的行
• 这类行原本应该用</p>闭合，但错误地使用了<br>，需要将行尾的<br>替换为</p>
• 例外情况：仅包含<br><br>的行需保持原样，不能被错误替换

示例内容 #

原始HTML片段 #

<p class="text_obisnuit">这是一段文本<br>
<p class="text_obisnuit2">另一段文本<br>
<br><br>
<p class="text_obisnuit">第三段<br>

现有错误代码 #

import re

with open('test.html', 'r', encoding='utf-8') as f:
    content = f.readlines()

modified = []
for line in content:
    # 匹配以指定p标签开头的行
    if re.match(r'^<p class="text_obisnuit(2)?">', line):
        # 替换<br>为</p>
        line = re.sub(r'<br>\s*$', '</p>\n', line)
    modified.append(line)

with open('test_modified.html', 'w', encoding='utf-8') as f:
    f.writelines(modified)

错误输出 #

<p class="text_obisnuit">这是一段文本</p>
<p class="text_obisnuit2">另一段文本</p>
<p class="text_obisnuit"></p>
<p class="text_obisnuit">第三段</p>

期望输出 #

<p class="text_obisnuit">这是一段文本</p>
<p class="text_obisnuit2">另一段文本</p>
<br><br>
<p class="text_obisnuit">第三段</p>

修正后的代码 #

import re

with open('test.html', 'r', encoding='utf-8') as f:
    content = f.readlines()

modified = []
for line in content:
    stripped_line = line.strip()
    # 跳过仅含<br><br>的行
    if stripped_line == '<br><br>':
        modified.append(line)
        continue
    # 仅处理以指定p标签开头的行
    if re.match(r'^<p class="text_obisnuit(2)?">', line):
        # 替换行尾的<br>为</p>
        line = re.sub(r'<br>\s*$', '</p>\n', line)
    modified.append(line)

with open('test_modified.html', 'w', encoding='utf-8') as f:
    f.writelines(modified)

修正逻辑说明 #

1. 新增跳过判断：先对每行做去除首尾空白的处理，判断是否等于<br><br>，如果是则直接保留原行，不进入后续替换逻辑
2. 保留原有匹配逻辑：仅对以指定p标签开头的行执行<br>到</p>的替换，确保无关行不受影响

这样就能避免把仅含<br><br>的行错误替换成空的p标签，同时完成目标标签的修正。

内容的提问来源于stack exchange，提问作者Just Me