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(zhuān)門(mén)語(yǔ)法來(lái)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。
# -*- coding: utf-8-*-
import re
##過(guò)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(guò)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?yè)Q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'#?(?Pname>w+);')
sz=re_charEntity.search(htmlstr)
while sz:
entity=sz.group()#entity全稱(chēng)，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)
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(guò)濾)HTML標(biāo)簽提取文字功能 ,希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)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(duì)腳本之家網(wǎng)站的支持！
如果你覺(jué)得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！
