如何解决清除变量中HTML标签时出现的TypeError错误？

错误原因 #

TypeError: expected string or bytes-like object 是因为传给cleanhtml函数的变量不是字符串/字节类型——比如你可能直接把网页解析库（如BeautifulSoup）返回的Tag对象传进去了，而正则re.sub只接受字符串或字节作为输入。

解决方法 #

方法1：修正现有正则函数，确保输入为字符串 #

在函数里先将输入转为字符串，再执行正则替换，同时优化多余空格的处理：

import re

# 预编译正则表达式，提升效率
CLEANR = re.compile('<.*?>') 

def cleanhtml(raw_html):
    # 先将输入转为字符串，兼容非字符串类型的输入
    if not isinstance(raw_html, str):
        raw_html = str(raw_html)
    # 移除所有HTML标签
    cleantext = re.sub(CLEANR, '', raw_html)
    # 合并多余的空格、换行符，并去除首尾空白
    cleantext = re.sub('\s+', ' ', cleantext).strip()
    return cleantext

方法2：用BeautifulSoup更可靠地清理HTML #

正则处理HTML容易出现嵌套标签、特殊标签漏处理的问题，推荐用专业的HTML解析库BeautifulSoup：

from bs4 import BeautifulSoup

def cleanhtml_with_bs(raw_html):
    # 确保输入为字符串
    if not isinstance(raw_html, str):
        raw_html = str(raw_html)
    # 解析HTML并提取纯文本
    soup = BeautifulSoup(raw_html, "html.parser")
    # 提取文本时自动处理空白，用指定分隔符连接
    return soup.get_text(strip=True, separator=', ')

测试示例 #

用你提供的HTML内容测试：

html_content = '<td><a class="css-zwebxb" href="/players/1093743350">Zero Two</a></td>, <td><time datetime="PT2M5.031S" time="1670072352910" title="Saturday, December 3, 2022 12:57 PM">00:02</time></td>, <td class="css-7a8yo0"> <button class="css-sanbnz" type="button"><i class="glyphicon glyphicon-flag"></i></button></td>'

# 方法1输出：Zero Two, 00:02, 
print(cleanhtml(html_content))

# 方法2输出：Zero Two, 00:02, 
print(cleanhtml_with_bs(html_content))

内容的提问来源于stack exchange，提问作者Japanator 14