Python使用regex删除HTMLtag

Question

这通常并不难，但今天我似乎无法删除一个简单的javascript标记。。在

我使用的示例（格式化）：

<section class="realestate oca"></section>
<script type="text/javascript" data-type="ad">
    window.addEventListener('DOMContentLoaded', function(){
        window.postscribe && postscribe(document.querySelector(".realestate"),
        '<script src="https://ocacache-front.schibsted.tech/public/dist/oca-loader/js/ocaloader.js?type=re&w=100%&h=300"><\/script>');
    });
</script>

我使用的示例（原始）

^{pr2}$

我想删除从<script（第二行的开头）到{}（最后一行）的所有内容。这将只输出第一行<section..>。在

下面是我的代码：

re.sub(r'<script[^</script>]+</script>', '', text)
#or
re.sub(r'<script.+?</script>', '', text)

我显然漏掉了一些东西，但我看不出是什么。
注意：我正在处理的文档主要包含纯文本，因此不需要使用lxml或类似的解析。在

Answer 1

第一个regex不起作用，因为字符类（[...]）是一个字符集合，而不是字符串。因此，只有当它发现<script与</script>之间由一个不包括<、/、s、c等的字符串分隔的{}与{}分隔

第二个regex更好，它不能工作的唯一原因是默认情况下，.通配符与换行符不匹配。要告诉它您想要它，您需要添加^{}标志：

re.sub(r'<script.+?</script>', '', text, flags=re.DOTALL)