能否用正则表达式清除HTML节点所有文本？含代码尝试与问题

一、正则的坑：看起来能用，但隐患大 #

你的正则代码在这个简单HTML案例里能正常跑，但绝对不推荐用正则处理HTML，踩坑是迟早的事：

• 遇到HTML注释、CDATA块时，里面的</>会被误匹配，破坏原有结构
• 如果标签属性里包含<或>（比如<div title="a>b">），正则会错误修改属性内容
• 复杂嵌套、多行文本的场景下，正则很容易漏匹配或错匹配

二、BeautifulSoup的正确打开方式 #

你之前的代码没处理掉“4”，是因为n.string只在节点是纯文本叶子节点时才返回内容。像<strong>这种下面既有<span>又有文本“4”的节点，n.string是None，循环直接跳过了里面的文本节点。

直接定位所有文本节点（NavigableString类型）来清空就行，看代码：

from bs4 import BeautifulSoup, NavigableString
from htmlmin import minify

html = """
<li class="menu-item">
  <p class="menu-item__heading">Totopos</p>
  <p>Chips and molcajete salsa</p>
  <p class="menu-item__details menu-item__details--price">
    <strong>
      <span class="menu-item__currency"> $ </span>
      4
    </strong>
  </p>
</li>
"""

soup = BeautifulSoup(html, "html.parser")
# 找到所有文本节点，替换为空
for string in soup.find_all(string=True):
    string.replace_with("")

print(minify(str(soup)))

要是喜欢递归写法，也可以这么搞，适配更复杂的嵌套：

def clear_all_text(node):
    # 遍历节点的所有子元素，转成list避免遍历过程中结构变化
    for child in list(node.children):
        if isinstance(child, NavigableString):
            child.replace_with("")
        else:
            clear_all_text(child)

clear_all_text(soup)
print(minify(str(soup)))

这两种写法都能把所有文本（包括那个“4”）清掉，只保留HTML的标签和属性结构。

内容的提问来源于stack exchange，提问作者chhenning