我已经将 word 文件转换为 html 文件，但是有一个问题，MS-word 会自动为页面添加一些样式。
例如
<div align="center"></div>
<p style=""></p>
<table cellpadding="0">
<tr><img src="...."></img></tr>
</table>
我想输出为
<div></div>
<p></p>
<table>
<tr><img src="...."></img></tr>
</table>
我不希望删除 img 内联样式。
提前致谢
update: if it is very hard to keep img style in the file. please give me the code excluding that part. it is very urgent for me and i cant edit 1000 pages manually
我建议你使用elementtree。解析文件删除所有不需要的样式属性并写入文件。
使用 elementtree 这应该是 5 班轮。
如果您想删除已知标签列表的样式，我认为没有必要使用全权重 HTML 解析器。就像是
expr = r'((?<=<div)|(?<=<p))[ ]+.*?>'
html_text = re.sub(expr,'>',html_text)
工作得很好。当然，您将使用要替换的标签数组来生成 (?<=
如果您有要删除的样式标签列表，那就更容易了。只需生成一个表达式
expr = r' (style|align|myStyleTag)=".*?"'
与 re.sub。
如果您需要动态组合，请使用解析器。
针对 OP 的评论进行编辑：
不幸的是，lookbehind 需要固定大小的表达式，所以 <.* 或类似的将不起作用。如果您没有固定的标签列表，最好使用预先存在的框架。
一个丑陋的方法是这样的：
expr = "("
for i in range(1,8): ## or whatever the max/min tag lengths are
expr += "(?<=<[a-zA-Z]{" + str(i) + "})|"
expr = expr[:-1] + ")[ ]+.*?>"
但那是相当糟糕的风格。