Tengo un documento con marcas xml. Debo localizar el texto contenido entre marcas específicas y en esos textos debo eliminar todas la posibles marcas que aparezcan, dejando así el documento original limpio.
Selecciono con re.findall() todos los grupos entre las marcas indicadas. Por ejemplo
import re
# Con la siguiente cadena
cadena = 'Texto<span class="str_">"El <i>famoso</i> hidalgo don <em>Quijote de la
Mancha</em>"</span>más texto<span class="str_">"AAAA"</span>otro texto.\n<span class="str_">"<b>BBBB</b>"</span>'
# Buscando entre las marcas <span class="str_"></span>
# con el siguiente patrón
patron = r'<span class="str_">(.*?)</span>'
# El resultado del findall
resultado = re.findall(patron, cadena)
print(resultado)
['"El <i>famoso</i> hidalgo don <em>Quijote de la Mancha</em>"', '"AAAA"', '"<b>BBBB</b>"']
Elimino todas las marcas interiores de la forma:
# Con el siguiente patrón busco cualquier grupo de marcas
p_marcas = "((<\/\w+>|<\w+>))"
# Actuando sobre el primer grupo obtenido anteriormente
sin_marcas = re.sub(p_marcas, '', resultado[0])
# El resultado del sub deja limpio el texto
print(sin_marcas)
'"El famoso hidalgo don Quijote de la Mancha"'
La pregunta es ¿Como puedo unir las dos operaciones en una? ¿Como obtener todos los posibles grupos (cosa que hago) y modificarlos todo con una sola expresión? Hasta ahora todos mis intentos han acabado con un bonito Traceback
Encontrada la solución. La pongo a continuación por si es de ayuda.
# Función para realizar el reemplazamiento
def reemplaza(m):
return re.sub(p_marcas, '', m.group()) + '</span>'
# Compilar patrón
p = re.compile(patron)
# Realizar la sustitución de los grupos
cadena_sin_marcas = p.sub(reemplaza, cadena)
print(cadena_sin_marcas)
Texto<span class="str_">"El famoso hidalgo don Quijote de la Mancha"</span>más texto<span class="str_">"AAAA"</span>otro texto.
<span class="str_">"BBBB"</span>
Defino una función que será la encargada de hacer el reemplazamiento. Una vez compilado el patrón de búsqueda, se llama con el patrón compilado a sub() que hace uso de la función para el reemplazamiento. No es una cosa que se te ocurra de entrada, pero funciona.
Nota. El añadir la marca '</span>
' al retorno es porque con el patrón que busca las marcas, p_marcas, me desaparece. Pero eso es otra historia.