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: 欧美 日产 国产精选 | 深夜男人网站 | 久久七国产精品 | 黄 色 免费网 站 成 人 | 国产视频中文字幕 | 欧美综合成人网 | 特一级黄 | 一区免费在线观看 | 欧美视频一区 | 99久久国产综合精麻豆 | 中文字幕一区日韩在线视频 | 亚洲一区二区在线视频 | 国产在线精品成人一区二区三区 | 好好的日com欧美 | 国产精品柳州莫菁身材四 | 日韩中文字幕在线视频 | 亚洲国产日韩a在线亚洲 | 国产69精品久久久久999小说 | 国产精品边做奶水狂喷小说 | 福利视频网页 | 四虎影视1304t | 久久性视频 | 国产乱码精品一区二区三上 | 国产精品福利视频免费观看 | 精品牛牛影视久久精品 | 亚洲综合色在线观看 | 在线播放国产福利视频 | 婷婷色婷婷 | 九九热精品国产 | 奇米影视奇米色 | 国产白拍 | 色人阁在线 | 欧美日韩成人在线 | 宅男影院在线观看 | 国产精品福利视频 | videos欧美黑白爆交 | 久久久久18 | 中文字幕无线码中文字幕免费 | 久久91精品国产一区二区 | 四虎永久在线免费观看 | 国产91精品系列在线观看 |