PythonがウェブサイトのHTMLタグを削除していません

Question

<の中のテキストを削除しようとしています（htmlタグ）、その結果を新しいファイルに書き込みます。例えば、テキストの1行は次のようになります。

< asdf> Text <here>more text</asdf> 

だからプログラムは、出力ファイルに記述します。「複数のテキストをテキスト」、htmlタグの中にあるものを除きます。

これは、これまでの私の試みです：

import urllib.request 

data=urllib.request.urlopen("some website").read() 

text1=data.decode("utf-8") 

import re 

def asd(text1): 

    x=re.compile("<>") 

    y=re.sub(x,"",text1) 

    file1=open("textfileoutput.txt","w") 

    file1.write(y) 

    return y 

asd(text1) 

まだタグがあり、クリーンなバージョンを記述していないようです。ご協力ありがとうございました。

Answer 1

x=re.compile("<>") 

私はなぜあなたは、この式は< asdf>または</asdf>に一致するように起こっていると思いますかわかりません。

いずれの場合でも、正規表現can rarely be justifiedでHTMLに近づいています。 タスクに適したツール、HTMLパーサーを使用してください。

BeautifulSoupを用いて、実施例と、それはunwrap() methodです：

In [1]: from bs4 import BeautifulSoup 

In [2]: html = "<asdf>Text more text</asdf>" 

In [3]: soup = BeautifulSoup(html, "html.parser") 

In [4]: soup.asdf.unwrap() 
Out[4]: <asdf></asdf> 

In [5]: print(soup) 
Text more text 

Answer 2

単にre.compile(r"<[^<>]*>")でre.compile("<>")を置き換えるには "><" あなたの正規表現のみマッチします