Python:使用正则去除HTML标签
2012-11-02 09:03
519 查看
原创转载请注明出处:
利用正则式处理,不知道会不会有性能问题,没有经过太多测试。
目前我有很多还是使用BeautifulSoup进行这种处理。
HTML实体处理的只是用于处理一些常用的实体。
输出结果:
Google网页 图片 地图 资讯 视频 财经 更多 博客 生活 热榜 网站导航 日历 照片 文档 协作平台 输入法 工具栏 软件精选 更多 个性化首页 | 登录
高级搜索
使用偏好
语言工具所有网页 中文网页 简体中文网页 中国的网页
广告计划 - Google 大全 - Google.com in English2009 - 隐私权 - ICP证合字B2-20070004号
利用正则式处理,不知道会不会有性能问题,没有经过太多测试。
目前我有很多还是使用BeautifulSoup进行这种处理。
HTML实体处理的只是用于处理一些常用的实体。
# -*- 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=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 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) 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=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__': s=file('Google.htm').read() news=filter_tags(s) print news
输出结果:
Google网页 图片 地图 资讯 视频 财经 更多 博客 生活 热榜 网站导航 日历 照片 文档 协作平台 输入法 工具栏 软件精选 更多 个性化首页 | 登录
高级搜索
使用偏好
语言工具所有网页 中文网页 简体中文网页 中国的网页
广告计划 - Google 大全 - Google.com in English2009 - 隐私权 - ICP证合字B2-20070004号
相关文章推荐
- Python:使用正则去除HTML标签(转)
- Python:使用正则去除HTML标签
- python使用正则表达式提取html标签
- python正则表达式去除html标签
- 【python系列】使用正则表达式去除HTML字符串
- 使用正则表达式去除html标签
- 【转】java使用正则表达式去除字符串的html标签
- 使用python去除HTML中标签的几种方式
- python正则表达式使用实例-替换字符串HTML标签
- python自带re模块正则表达式去除html标签
- Python通过正则表达式获取,去除(过滤)或者替换HTML标签的几种方法(本文由169it.com搜集整理)
- java使用正则表达式去除字符串的html标签
- Python使用正则表达式过滤或替换HTML标签的方法详解
- 使用python过滤html标签
- 正则表达式去除数据带HTML标签方法
- python多线程爬虫学习--去除html的标签
- Python怎么使用beautifulsoup来从HTML片段中删除标签
- 使用RegularExpressions去除HTML标签的字符串
- iOS中使用正则表达式去掉HTML中的标签元素获得纯文本的方法
- 使用正则表达式匹配HTML 下各种<title>标签