Eliminar etiquetas de imagen html y todo lo demás de una cadena

Question

He visto una serie de preguntas sobre cómo eliminar etiquetas HTML de las cadenas, pero todavía no estoy muy claro cómo se debe manejar mi caso específico.

He visto que muchas publicaciones desaconsejan el uso de expresiones regulares para manejar HTML, pero sospecho que mi caso puede justificar la elusión juiciosa de esta regla.

Estoy tratando de analizar archivos PDF y he logrado convertir cada página de mi archivo PDF de muestra en una cadena de texto UTF-32. Cuando aparecen imágenes, se inserta una etiqueta de estilo HTML que contiene el nombre y la ubicación de la imagen (que se guarda en otro lugar).

En una parte separada de mi aplicación, necesito deshacerme de estas etiquetas de imagen. Debido a que estamos solo lidiando con etiquetas de imagen, sospecho que el uso de una expresión regular puede estar justificado.

Mi pregunta es doble:

1. ¿Debo usar una expresión regular para eliminar estas etiquetas, o debería seguir utilizando un módulo de análisis de HTML, como BeautifulSoup?
2. ¿Qué construcción Regex o BeautifulSoup debo usar? En otras palabras, ¿cómo debería codificar esto?

Para mayor claridad, las etiquetas se estructuran como <img src="/path/to/file"/>

Gracias!

Answer 1

Yo votaría que en su caso es aceptable usar una expresión regular. Algo como esto debería funcionar:

def remove_html_tags(data): 
    p = re.compile(r'<.*?>') 
    return p.sub('', data) 

encontré que aquí fragmento (http://love-python.blogspot.com/2008/07/strip-html-tags-using-python.html)

edición: versión que sólo eliminará las cosas de la forma <img .... />:

def remove_img_tags(data): 
    p = re.compile(r'<img.*?/>') 
    return p.sub('', data) 

Answer 2

Dado que este texto contiene sólo etiquetas de imagen, es probable que sea bien usar una expresión regular. Pero para cualquier otra cosa, probablemente sea mejor usar un analizador HTML de buena fe. ¡Afortunadamente Python ofrece uno! Esto es bastante simple: para ser completamente funcional, esto debería manejar muchos más casos de esquina. (. En particular, al estilo XHTML etiquetas vacías (que termina con una barra <... />) no se manejan correctamente aquí)

>>> from HTMLParser import HTMLParser 
>>> 
>>> class TagDropper(HTMLParser): 
...  def __init__(self, tags_to_drop, *args, **kwargs): 
...   HTMLParser.__init__(self, *args, **kwargs) 
...  self._text = [] 
...   self._tags_to_drop = set(tags_to_drop) 
...  def clear_text(self): 
...   self._text = [] 
...  def get_text(self): 
...   return ''.join(self._text) 
...  def handle_starttag(self, tag, attrs): 
...   if tag not in self._tags_to_drop: 
...    self._text.append(self.get_starttag_text()) 
...  def handle_endtag(self, tag): 
...   self._text.append('</{0}>'.format(tag)) 
...  def handle_data(self, data): 
...   self._text.append(data) 
... 
>>> td = TagDropper([]) 
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n') 
>>> print td.get_text() 
A line of text 
A line of text with an <img url="foo"> tag 
Another line of text with a <br> tag 

Y para dejar img etiquetas ...

>>> td = TagDropper(['img']) 
>>> td.feed('A line of text\nA line of text with an <img url="foo"> tag\nAnother line of text with a <br> tag\n') 
>>> print td.get_text() 
A line of text 
A line of text with an tag 
Another line of text with a <br> tag 

Answer 3

Mi solución es:

def remove_HTML_tag(tag, string): 
    string = re.sub(r"<\b(" + tag + r")\b[^>]*>", r"", string) 
    return re.sub(r"<\/\b(" + tag + r")\b[^>]*>", r"", string)