Python使用正則表達(dá)式去除(過濾)HTML標(biāo)簽提取文字功能

更新時(shí)間：2019年07月15日 10:25:41 作者：孔小爽

這篇文章主要介紹了Python使用正則表達(dá)式去除(過濾)HTML標(biāo)簽提取文字，本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值 ,需要的朋友可以參考下

正則表達(dá)式是一個(gè)特殊的字符序列，可以幫助您使用模式中保留的專門語法來匹配或查找其他字符串或字符串集。正則表達(dá)式在UNIX世界中被廣泛使用。

下面給大家介紹下Python使用正則表達(dá)式去除(過濾)HTML標(biāo)簽提取文字，具體代碼如下所示：

# -*- coding: utf-8-*-
import re
##過濾HTML中的標(biāo)簽
#將HTML中標(biāo)簽等信息去掉
#@param htmlstr HTML字符串.
def filter_tags(htmlstr):
 #先過濾CDATA
 re_cdata=re.compile('//<![CDATA[[^>]*//]]>',re.I) #匹配CDATA
 re_script=re.compile('<s*script[^>]*>[^<]*<s*/s*scripts*>',re.I)#Script
 re_style=re.compile('<s*style[^>]*>[^<]*<s*/s*styles*>',re.I)#style
 re_br=re.compile('<brs*?/?>')#處理換行
 re_h=re.compile('</?w+[^>]*>')#HTML標(biāo)簽
 re_comment=re.compile('<!--[^>]*-->')#HTML注釋
 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)#將br轉(zhuǎn)換為換行
 s=re_h.sub('',s) #去掉HTML 標(biāo)簽
 s=re_comment.sub('',s)#去掉HTML注釋
 #去掉多余的空行
 blank_line=re.compile('n+')
 s=blank_line.sub('n',s)
 s=replaceCharEntity(s)#替換實(shí)體
 return s
##替換常用HTML字符實(shí)體.
#使用正常的字符替換HTML中特殊的字符實(shí)體.
#你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)體.
#@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全稱，如>
  key=sz.group('name')#去除&;后entity,如>為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)

總結(jié)

以上所述是小編給大家介紹的Python使用正則表達(dá)式去除(過濾)HTML標(biāo)簽提取文字功能 ,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
如果你覺得本文對你有幫助，歡迎轉(zhuǎn)載，煩請注明出處，謝謝！

您可能感興趣的文章: