亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

Python使用正則表達式去除(過濾)HTML標簽提取文字功能

系統 2354 0

正則表達式是一個特殊的字符序列,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使用正則表達式去除(過濾)HTML標簽提取文字,具體代碼如下所示:

            
# -*- 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('
            
              ]*>[^<]*
              
                ',re.I)#Script
 re_style=re.compile('
                
                  ]*>[^<]*
                  
                    ',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__':
 str='' # 需要提取的html字符串
 str=filter_tags(str)
 print(str)
                      
                    
                  
                
              
            
          

總結

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


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】

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,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 日本深夜影院 | 99视频久久精品久久 | 久久久久久久国产a∨ | 伊人久久综合网站 | 亚州激情视频在线播放 | 久久久久在线 | 欧美日韩一区二区三区久久 | 深夜影院老司机69影院 | 亚洲国产精品综合久久网络 | 青青热久免费精品视频在线观看 | 西西大胆实体啪啪色哟哟 | 欧美大片毛片大片 | 拍拍拍无挡视频免费观看1000 | 国产精品久久久亚洲动漫 | 深夜啪啪网站 | 精品综合久久久久久88小说 | 99热在线精品播放 | 国产尤物| 青青青在线观看免费视频精品 | a级做人爱免费播放 | 久久99影院网久久久久久 | 在线播放国产福利视频 | 久久精品亚洲99一区二区 | 色综合久久精品中文字幕首页 | 鲁鲁狠色综合色综合网站 | 91福利国产在线观看一区二区 | 夜夜快播 | 2022国产男人亚洲欧美天堂 | 亚洲精品色综合久久 | 97精品国产综合久久 | 美女久久 | 夜夜躁狠狠躁日日躁2021 | 视频一区视频二区在线观看 | 99久久免费精品国产免费 | 玖玖成人网| 五月综合激情网 | 国产欧美久久一区二区 | 成人区精品一区二区毛片不卡 | 天天拍夜夜添久久精品中文 | 91精品视频免费观看 | 久久香焦|