Python Regex, um alle Tags zu entfernen, die nicht zwischen zwei anderen Tags sind

Question

Ich benutze Python und möchte alle HTML-Tags aus einer Zeichenfolge entfernen, die nicht in bestimmten Tags enthalten sind. In diesem Beispiel möchte ich alle HTML-Tags entfernen, die nicht in den <header> Tags </header> enthalten sind, und auch das umschließende Tag nicht entfernen.

Zum Beispiel:

<h1>Morning</h1> 
<header> 
    <h1>Afternoon</h1> 
    <h2>Evening</h2> 
</header> 
<h2>Night</h2> 

Ergebnis:

Morning 
<header> 
    <h1>Afternoon</h1> 
    <h2>Evening</h2> 
</header> 
Night 

Ich habe dafür ausgegeben Stunden, aber ohne Glück. Ich weiß, der alle folgenden Tags finden:

re.sub('<.*?>', '', mystring) 

Und das wird alles innerhalb der Header-Tags finden:

re.sub('<header>.*?</header>', '', mystring) 

Aber wie mache ich es zu negieren, so dass die erste Regex was ignoriert die zweite Regex findet? Jede Hilfe wird sehr geschätzt! Vielen Dank! :)

Answer 1

Sie können dies schnell und einfach mit BeautifulSoup tun, wie von Josep Valls in den Kommentaren erwähnt. Hier ist, wie:

from bs4 import BeautifulSoup 

soup = BeautifulSoup('''<h1>Morning</h1> 
<header> 
    <h1>Afternoon</h1> 
    <h2>Evening</h2> 
</header> 
<h2>Night</h2>''', 'html.parser') 

for tag in soup.find_all(recursive=False): 
    if not tag.findChildren(): 
     tag.unwrap() 

print(soup) 

Dies gibt:

Morning 
<header> 
<h1>Afternoon</h1> 
<h2>Evening</h2> 
</header> 
Night