如何用Simple HTML DOM Parser提取不含<a>标签的<p>内容？

嘿，这个需求我太熟了！要提取<p>标签的全部内容但剔除<a>标签，同时保留<i>、<b>这类格式标签，用正则硬怼很容易踩嵌套结构的坑，不如用专业的HTML解析库来精准处理，给你几个常用语言的解决方案：

BeautifulSoup是Python处理HTML的神器，我们可以直接解开<a>标签（保留其内部文本），同时完全保留其他标签：

from bs4 import BeautifulSoup

# 示例HTML
html = """
<p>这是一段包含<a href="xxx">链接文本</a>的内容，<i>这里是斜体</i>，还有<b>粗体的<a href="yyy">带链接的粗体</a></b>。</p>
"""

# 解析HTML
soup = BeautifulSoup(html, 'html.parser')
p_tag = soup.find('p')

# 遍历所有<a>标签，解开它们（移除<a>标签本身，保留内部内容）
for a_tag in p_tag.find_all('a'):
    a_tag.unwrap()

# 输出处理后的<p>内容
result = str(p_tag)
print(result)

运行后输出：

<p>这是一段包含链接文本的内容，<i>这里是斜体</i>，还有<b>粗体的带链接的粗体</b>。</p>

如果你的需求是彻底删除<a>标签及其内部文本，把a_tag.unwrap()换成a_tag.decompose()就行。

Node.js 环境（用 Cheerio） #

Cheerio是Node.js版的“BeautifulSoup”，思路和上面一致：

const cheerio = require('cheerio');

const html = `
<p>这是一段包含<a href="xxx">链接文本</a>的内容，<i>这里是斜体</i>，还有<b>粗体的<a href="yyy">带链接的粗体</a></b>。</p>
`;

const $ = cheerio.load(html);
const $p = $('p');

// 把每个<a>标签替换成它的内部内容
$p.find('a').each(function() {
    $(this).replaceWith($(this).contents());
});

// 获取处理后的HTML
const result = $p.html();
console.log(result);

浏览器原生DOM #

如果是在浏览器前端环境，直接操作DOM就能实现：

const html = `
<p>这是一段包含<a href="xxx">链接文本</a>的内容，<i>这里是斜体</i>，还有<b>粗体的<a href="yyy">带链接的粗体</a></b>。</p>
`;

// 创建临时容器解析HTML
const tempDiv = document.createElement('div');
tempDiv.innerHTML = html;
const pTag = tempDiv.querySelector('p');

// 遍历所有<a>标签，将内部内容移到父节点后删除<a>
const aTags = pTag.querySelectorAll('a');
aTags.forEach(a => {
    while (a.firstChild) {
        a.parentNode.insertBefore(a.firstChild, a);
    }
    a.parentNode.removeChild(a);
});

// 获取结果
const result = pTag.innerHTML;
console.log(result);

小提醒 #

别用正则处理这种需求！HTML的嵌套结构（比如<a>在<b>里，或者多层嵌套）会让正则表达式顾此失彼，专业的解析库能完美处理所有边缘情况。

内容的提问来源于stack exchange，提问作者kores59