如何在python中使用正则表达式去除字符串中的标签？（非HTML）

Question

我需要在Python中从一个字符串中去掉标签。

<FNT name="Century Schoolbook" size="22">Title</FNT>

有什么最有效的方法可以去掉两端的整个标签，只留下“标题”？我只见过用HTML标签来处理这个问题，但在Python中对我来说并不奏效。我特别是在使用ArcMap，一个地理信息系统（GIS）程序。它有自己用于布局元素的标签，我只需要去掉两个特定标题文本元素的标签。我觉得正则表达式应该可以解决这个问题，但我也愿意听听其他建议。

Answer 1

搜索这个正则表达式并用空字符串替换应该是可行的。

/<[A-Za-z\/][^>]*>/

举个例子（来自Python命令行）：

>>> import re
>>> my_string = '<FNT name="Century Schoolbook" size="22">Title</FNT>'
>>> print re.sub('<[A-Za-z\/][^>]*>', '', my_string)
Title

Answer 2

请尽量不要使用正则表达式。虽然正则表达式在处理简单字符串时能奏效，但如果将来遇到复杂的字符串，你可能会遇到麻烦。

你可以使用BeautifulSoup的get_text()功能。

from bs4 import BeautifulSoup

text = '<FNT name="Century Schoolbook" size="22">Title</FNT>'
soup = BeautifulSoup(text)

print(soup.get_text())

Answer 3

这个方法应该可以用：

import re
re.sub('<[^>]*>', '', mystring)

对于那些说正则表达式不适合这个工作的朋友：

这个问题的背景是，关于正则表达式和上下文无关语言的所有反对意见在这里都不成立。他的语言基本上由三个部分组成：a = <、b = > 和 c = [^><]+。他想要去掉任何出现的 acb。这实际上把他的问题归类为一个涉及上下文无关文法的问题，而且把它归类为正则文法也并不难。

我知道大家都喜欢“你不能用正则表达式解析HTML”的说法，但提问者并不想解析HTML，他只是想进行一个简单的转换。