python 去除html标签的几种方法
#! /usr/bin/python # -*- coding:utf-8 -*- ‘‘‘ Created on 2013-12-18 @author: Java ‘‘‘ import re from HTMLParser import HTMLParser class FilterTag(): def __init__(self): pass def filterHtmlTag(self,htmlStr): ‘‘‘ 过滤html中的标签 :param htmlStr:html字符串 或是网页源码 ‘‘‘ self.htmlStr = htmlStr #先过滤CDATA re_cdata=re.compile(‘//<!\[CDATA\[[^>]*//\]\]>‘,re.I) #匹配CDATA re_script=re.compile(‘<\s*script[^>]*>[^<]*<\s*/\s*script\s*>‘,re.I)#Script re_style=re.compile(‘<\s*style[^>]*>[^<]*<\s*/\s*style\s*>‘,re.I)#style re_br=re.compile(‘<br\s*?/?>‘)#处理换行 re_h=re.compile(‘</?\w+[^>]*>‘)#HTML标签 re_comment=re.compile(‘<!--[^>]*-->‘)#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 blank_line=re.compile(‘\n+‘)#去掉多余的空行 s = blank_line.sub(‘\n‘,s) 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=re.compile(‘\n+‘) s=blank_line.sub(‘\n‘,s) filterTag = FilterTag() s=filterTag.replaceCharEntity(s)#替换实体 print s def replaceCharEntity(self,htmlStr): ‘‘‘ 替换html中常用的字符实体 使用正常的字符替换html中特殊的字符实体 可以添加新的字符实体到CHAR_ENTITIES 中 CHAR_ENTITIES是一个字典前面是特殊字符实体 后面是其对应的正常字符 :param htmlStr: ‘‘‘ self.htmlStr = htmlStr CHAR_ENTITIES={‘nbsp‘:‘ ‘,‘160‘:‘ ‘, ‘lt‘:‘<‘,‘60‘:‘<‘, ‘gt‘:‘>‘,‘62‘:‘>‘, ‘amp‘:‘&‘,‘38‘:‘&‘, ‘quot‘:‘"‘,‘34‘:‘"‘,} re_charEntity=re.compile(r‘&#?(?P<name>\w+);‘) sz=re_charEntity.search(htmlStr) while sz: entity=sz.group()#entity全称,如> key=sz.group(‘name‘)#去除&;后的字符如(" "--->key = "nbsp") 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 replace(self,s,re_exp,repl_string): return re_exp.sub(repl_string) def strip_tags(self,htmlStr): ‘‘‘ 使用HTMLParser进行html标签过滤 :param htmlStr: ‘‘‘ self.htmlStr = htmlStr htmlStr = htmlStr.strip() htmlStr = htmlStr.strip("\n") result = [] parser = HTMLParser() parser.handle_data = result.append parser.feed(htmlStr) parser.close() return ‘‘.join(result) def stripTagSimple(self,htmlStr): ‘‘‘ 最简单的过滤html <>标签的方法 注意必须是<任意字符> 而不能单纯是<> :param htmlStr: ‘‘‘ self.htmlStr = htmlStr # dr =re.compile(r‘<[^>]+>‘,re.S) dr = re.compile(r‘</?\w+[^>]*>‘,re.S) htmlStr =re.sub(dr,‘‘,htmlStr) return htmlStr if __name__==‘__main__‘: # s = file(‘Google.html‘).read() filters = FilterTag() print filters.stripTagSimple("<1>你好<html>")
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。