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】元
