如何使用re.sub精准删除带指定class的HTML标签且不影响其他标签

现有代码问题 #

• 未匹配HTML中的换行、缩进空白字符，正则写的是连续拼接的标签结构，和实际带格式的HTML完全对不上，无法命中目标内容
• 匹配范围错误，正则直接从<article开头匹配到</article>结尾，替换后会清空整个文章块的所有内容，无法保留剩余p标签的文本

方案1：推荐使用HTML解析器实现（比正则稳定，兼容性更强） #

处理HTML内容优先用专用解析器，避免正则遇到标签换行、属性顺序变化、额外属性等场景就失效的问题，示例用BeautifulSoup实现：

from bs4 import BeautifulSoup

def myFunction(result):
    soup = BeautifulSoup(result, 'html.parser')
    # 找到所有class为ghf的p标签并删除
    for p in soup.select('p.ghf'):
        p.decompose()
    # 提取剩余所有文本，按行分割过滤空行后拼接
    text_lines = [line.strip() for line in soup.get_text().split('\n') if line.strip()]
    return '\n'.join(text_lines)

调用后输出就是你要的：

Some other Text
A different Text

方案2：正则修改版（仅适合固定结构的HTML场景） #

如果一定要用正则实现，需要调整匹配规则，增加空白匹配，只命中目标p标签本身：

import re

def myFunction(result):
    # 匹配所有带class="ghf"的p标签，包括标签前后的空白字符
    # re.DOTALL 保证.*可以匹配换行符
    result = re.sub(r'\s*<p class="ghf">.*?</p>\s*', '', result, flags=re.DOTALL)
    # 提取剩余文本，过滤空行
    text_lines = [line.strip() for line in re.sub(r'<[^>]+>', '', result).split('\n') if line.strip()]
    return '\n'.join(text_lines)

注意正则处理HTML有非常多边界情况，比如属性顺序变了、有额外属性、单双引号变化都会导致匹配失效，仅在你确定HTML结构100%固定的场景下使用。

内容的提问来源于stack exchange，提问作者Raheesh Kattumunda Muhamed