Python通过正则表达式去除（过滤）HTML标签，提取⽂字# -*- coding: utf-8-*-
import re
##过滤HTML中的标签
#将HTML中标签等信息去掉
#@param htmlstr HTML字符串.
def filter_tags(htmlstr):
#先过滤CDATA
re_cdata=repile('//<![CDATA[[^>]*//]]>',re.I) #匹配CDATA
re_script=repile('<s*script[^>]*>[^<]*<s*/s*scripts*>',re.I)#Script
re_style=repile('<s*style[^>]*>[^<]*<s*/s*styles*>',re.I)#style
re_br=repile('<brs*?/?>')#处理换⾏
re_h=repile('</?w+[^>]*>')#HTML标签
re_comment=repile('<!--[^>]*-->')#HTML注释
s=re_cdata.sub('',htmlstr)#去掉CDATA
s=re_script.sub('',s) #去掉SCRIPT
s=re_style.sub('',s)#去掉style
s=re_br.sub('n',s)#将br转换为换⾏
s=re_h.sub('',s) #去掉HTML 标签
s=re_comment.sub('',s)#去掉HTML注释python正则表达式不包含
#去掉多余的空⾏
blank_line=repile('n+')
s=blank_line.sub('n',s)
s=replaceCharEntity(s)#替换实体
return s
##替换常⽤HTML字符实体.
#使⽤正常的字符替换HTML中特殊的字符实体.
#你可以添加新的实体字符到CHAR_ENTITIES中，处理更多HTML字符实体.
#@param htmlstr HTML字符串.
def replaceCharEntity(htmlstr):
CHAR_ENTITIES={'nbsp':'','160':'',
'lt':'<','60':'<',
'gt':'>','62':'>',
'amp':'&','38':'&',
'quot':'"','34':'"',}
re_charEntity=repile(r'&#?(?P<name>w+);')
sz=re_charEntity.search(htmlstr)
while sz:
up()#entity全称，如>
up('name')#去除&；后entity，如>为gt
try:
htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)
sz=re_charEntity.search(htmlstr)
except KeyError:
#以空串代替
htmlstr=re_charEntity.sub('',htmlstr,1)
sz=re_charEntity.search(htmlstr)
return htmlstr
def repalce(s,re_exp,repl_string):
return re_exp.sub(repl_string,s)
if__name__=='__main__':
str=''  # 需要提取的html字符串
str=filter_tags(str)
print(str)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。