本文實例介紹了Python通過正則表達式獲取,去除(過濾)或者替換HTML標簽的幾種方法,具體內容如下
python正則表達式關鍵內容:
python正則表達式轉義符:
. 匹配除換行符以外的任意字符 \w 匹配字母或數字或下劃線或漢字 \s 匹配任意的空白符 \d 匹配數字 \b 匹配單詞的開始或結束 ^ 匹配字符串的開始 $ 匹配字符串的結束 \W 匹配任意不是字母,數字,下劃線,漢字的字符 \S 匹配任意不是空白符的字符 \D 匹配任意非數字的字符 \B 匹配不是單詞開頭或結束的位置 [^x] 匹配除了x以外的任意字符 [^aeiou] 匹配除了aeiou這幾個字母以外的任意字符
常用的python正則表達式限定符代碼/語法說明:
*重復零次或更多次 +重復一次或更多次 ?重復零次或一次 {n}重復n次 {n,}重復n次或更多次 {n,m}重復n到m次
關于python正則表達式命名組:
命名組:(?P.....) 這篇文章里面還提到了界定( 問號開頭,前向則有個'<'號,非則有個'!' 號 ): 前向界定 (?<=…) 后向界定 (?=…) 前向非界定 (?') print p.sub("", html) Python通過正則表達式取html中溫度信息代碼示例: #!/usr/bin/env python #-*- coding: utf8 -*- import re html = """ 14℃""" if __name__ == '__main__': p = re.compile('<[^>]+>') print p.sub("", html)
2、Python通過正則表達式去除(過濾)HTML標簽示例代碼:
# -*- coding: utf-8-*- import re ##過濾HTML中的標簽 #將HTML中標簽等信息去掉 #@param htmlstr HTML字符串. def filter_tags(htmlstr): #先過濾CDATA re_cdata=re.compile('//]*//\]\]>',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('
')#處理換行 re_h=re.compile(']*>')#HTML標簽 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轉換為換行 s=re_h.sub('',s) #去掉HTML 標簽 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)#替換實體 return s ##替換常用HTML字符實體. #使用正常的字符替換HTML中特殊的字符實體. #你可以添加新的實體字符到CHAR_ENTITIES中,處理更多HTML字符實體. #@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\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__': s=file('169it.com_index.htm').read() news=filter_tags(s) print news
以上就是本文的全部內容,希望對大家的學習有所幫助。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
