python 过滤文本中的HTML标签

妖狐艹你老母 2022-07-14 03:26 269阅读 0赞

最近需要过滤文本中的HTML标签，在网上找了个大神写的python方法：

'''过滤HTML中的标签

\#将HTML中标签等信息去掉

\#@param htmlstr HTML字符串.'''

def filter\_tag(htmlstr):

re\_cdata = re.compile('<!DOCTYPE HTML PUBLIC\[^>\]\*>', re.I)

re\_script = re.compile('<\\s\*script\[^>\]\*>\[^<\]\*<\\s\*/\\s\*script\\s\*>', re.I) \#过滤脚本

re\_style = re.compile('<\\s\*style\[^>\]\*>\[^<\]\*<\\s\*/\\s\*style\\s\*>', re.I) \#过滤style

re\_br = re.compile('<br\\s\*?/?>')

re\_h = re.compile('</?\\w+\[^>\]\*>')

re\_comment = re.compile('')

s = re\_cdata.sub('', htmlstr)

s = re\_script.sub('', s)

s=re\_style.sub('',s)

s=re\_br.sub('\\n',s)

s=re\_h.sub(' ',s)

s=re\_comment.sub('',s)

blank\_line=re.compile('\\n+')

s=blank\_line.sub('\\n',s)

s=re.sub('\\s+',' ',s)

s=replaceCharEntity(s)

return s

'''\#\#替换常用HTML字符实体.

\#使用正常的字符替换HTML中特殊的字符实体.

\#你可以添加新的实体字符到CHAR\_ENTITIES中,处理更多HTML字符实体.

\#@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<name>\\w+);') \#命名组,把 匹配字段中\\w+的部分命名为name,可以用group函数获取

sz=re\_charEntity.search(htmlstr)

while sz:

\#entity=sz.group()

key=sz.group('name') \#命名组的获取

try:

htmlstr=re\_charEntity.sub(CHAR\_ENTITIES\[key\],htmlstr,1) \#1表示替换第一个匹配

sz=re\_charEntity.search(htmlstr)

except KeyError:

htmlstr=re\_charEntity.sub('',htmlstr,1)

sz=re\_charEntity.search(htmlstr)

return htmlstr

非常好用，谢谢大神。 ![python  过滤文本中的HTML标签 - guotengfei19880205 - guotengfei19880205的博客][python _HTML_ - guotengfei19880205 - guotengfei19880205]

[python _HTML_ - guotengfei19880205 - guotengfei19880205]: /images/20220714/703ae8ed495c4451b063e1ce5580835c.png

发表评论取消回复

表情：

评论列表（有 0 条评论，269人围观）

还没有评论，来说两句吧...

相关阅读

相关 IOS过滤Html标签

- (NSString )flattenHTML:(NSString )html trimWhiteSpace:(BOOL)trim { NSScann

布满荆棘的人生/ 2023年10月16日 21:12/ 0 赞/ 60 阅读

相关文本格式化标签（HTML）

文本格式化标签（HTML） <!DOCTYPE html> <html lang="en"> <head> <meta chars

深藏阁楼爱情的钟/ 2023年10月03日 12:21/ 0 赞/ 37 阅读

相关 HTML文本标签

添加段落创建新段落的步骤 (1) 输入 <p> (2) 输入新段落的内容 (3) 输入 </p> 结束这个段落指定细则

╰+哭是因爲堅強的太久メ/ 2023年03月01日 13:35/ 0 赞/ 52 阅读

相关完美过滤script标签, PHP过滤HTML标签

> // .\ 不能匹配换行 > // \[\\s\\S\]\ 支持匹配换行 > // ? 表示匹配最近的一个结束标签</script> > // i 不区分大小写

心已赠人/ 2022年12月26日 09:26/ 0 赞/ 262 阅读

相关【Java用法】Java 过滤html标签获取纯文本信息

本文目录方案一、Hutool工具类方案二、Spring 自带的工具类方案三、自己编写正则工具类 -------------------- 这个功能挺简单的，用正

ゝ一纸荒年。/ 2022年12月24日 11:00/ 0 赞/ 674 阅读

相关 HTML文本修饰标签。

转自：[http://www.pinlue.com/article/2019/10/2213/089727956723.html][http_www.pinlue.com_ar

爱被打了一巴掌/ 2022年12月08日 04:15/ 0 赞/ 297 阅读

相关 JAVA过滤富文本html标签，保留文字

JAVA过滤富文本html标签，保留文字 > 使用正则过滤难免会出现许多奇奇怪怪的问题，今天这里使用jsoup包来解析 1.Maven引入jsoup包 <

阳光穿透心脏的1/2处/ 2022年09月11日 13:23/ 0 赞/ 305 阅读

相关 python 过滤文本中的HTML标签

最近需要过滤文本中的HTML标签，在网上找了个大神写的python方法： '''过滤HTML中的标签 \将HTML中标签等信息去掉 \@param htmlst

妖狐艹你老母/ 2022年07月14日 03:26/ 0 赞/ 270 阅读

相关使用Jsoup过滤HTML标签，获取纯文本

通常情况下，把HTML富文本内容保存到数据库字段时，会自带一些HTML标签，然后将这些内容再次显示到网页上时，就能够保持文本在富文本中编辑时的HTML格式。这种做法毫无疑问

川长思鸟来/ 2021年09月14日 11:22/ 0 赞/ 631 阅读

相关 html body文本标签

标题标签： h1到h6：将其中数据加粗加黑，依次显示变小,都自动带换行的功能属性: 位置 align:center

我就是我/ 2021年07月24日 15:18/ 0 赞/ 488 阅读