python⽂本筛选html_Python使⽤正则表达式去除（过
滤）HTML标签提取⽂字功能
正则表达式是⼀个特殊的字符序列，可以帮助您使⽤模式中保留的专门语法来匹配或查其他字符串或字符串集。 正则表达式在UNIX世界中被⼴泛使⽤。
下⾯给⼤家介绍下Python使⽤正则表达式去除(过滤)HTML标签提取⽂字，具体代码如下所⽰：
# -*- coding: utf-8-*-
import re
python正则表达式不包含
##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('//]*//]]>',re.I) #匹配CDATA
re_script=repile(']*>[^',re.I)#Script
re_style=repile(']*>[^',re.I)#style
re_br=repile('')#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
#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':'
'gt':'>','62':'>',
'amp':'&','38':'&',
'quot':'"','34':'"',}
re_charEntity=repile(r'?(?Pw+);')
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)
总结
以上所述是⼩编给⼤家介绍的Python使⽤正则表达式去除(过滤)HTML标签提取⽂字功能 ，希望对⼤家有所帮助，如果⼤家有任何疑问请给我留⾔，⼩编会及时回复⼤家的。在此也⾮常感谢⼤家对我们⽹站的⽀持！
如果你觉得本⽂对你有帮助，欢迎转载，烦请注明出处，谢谢！
本⽂标题: Python使⽤正则表达式去除(过滤)HTML标签提取⽂字功能

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。