Python使用正则表达式去除(过滤)HTML标签提取文字功能

 更新时间:2019年07月15日 10:25:41   作者:孔小爽  
这篇文章主要介绍了Python使用正则表达式去除(过滤)HTML标签提取文字,本文通过实例代码给大家介绍的非常详细,具有一定的参考借鉴价值 ,需要的朋友可以参考下

正则表达式是一个特殊的字符序列,可以帮助您使用模式中保留的专门语法来匹配或查找其他字符串或字符串集。 正则表达式在UNIX世界中被广泛使用。

下面给大家介绍下Python使用正则表达式去除(过滤)HTML标签提取文字,具体代码如下所示:

# -*- coding: utf-8-*-
import re
##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_tags(htmlstr):
 #先过滤CDATA
 re_cdata=re.compile('//<![CDATA[[^>]*//]]>',re.I) #匹配CDATA
 re_script=re.compile('<s*script[^>]*>[^<]*<s*/s*scripts*>',re.I)#Script
 re_style=re.compile('<s*style[^>]*>[^<]*<s*/s*styles*>',re.I)#style
 re_br=re.compile('<brs*?/?>')#处理换行
 re_h=re.compile('</?w+[^>]*>')#HTML标签
 re_comment=re.compile('<!--[^>]*-->')#HTML注释
 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)#将br转换为换行
 s=re_h.sub('',s) #去掉HTML 标签
 s=re_comment.sub('',s)#去掉HTML注释
 #去掉多余的空行
 blank_line=re.compile('n+')
 s=blank_line.sub('n',s)
 s=replaceCharEntity(s)#替换实体
 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+);')
 sz=re_charEntity.search(htmlstr)
 while sz:
  entity=sz.group()#entity全称,如>
  key=sz.group('name')#去除&;后entity,如>为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)

总结

以上所述是小编给大家介绍的Python使用正则表达式去除(过滤)HTML标签提取文字功能 ,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持!
如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!

相关文章

  • JavaScript 中的正则表达式(推荐)

    JavaScript 中的正则表达式(推荐)

    正则表达式通常用于在文本中查找匹配的字符串,js正则表达式在程序开发中应用非常广泛,本文给大家介绍JavaScript 中的正则表达式(推荐),感兴趣的朋友一起学习吧
    2016-05-05
  • Java正则表达式入门学习

    Java正则表达式入门学习

    这篇文章主要介绍了Java正则表达式入门学习基础知识,全面分析了表示匹配次数的符号使用方法,感兴趣的小伙伴们可以参考一下
    2015-12-12
  • 利用正则表达式(只录入中文,数字,英文)

    利用正则表达式(只录入中文,数字,英文)

    利用正则表达式(只录入中文,数字,英文)限制的代码,好多情况下都需要。
    2009-08-08
  • 常用正则表达式 整理篇

    常用正则表达式 整理篇

    正则表达式用于字符串处理,表单验证等场合,实用高效,但用到时总是不太把握,以致往往要上网查一番。我将一些常用的表达式收藏在这里,作备忘之用。本贴随时会更新。
    2009-02-02
  • 在ASP中用“正则表达式对象”来校验数据的合法性

    在ASP中用“正则表达式对象”来校验数据的合法性

    在ASP中用“正则表达式对象”来校验数据的合法性...
    2006-06-06
  • JavaScript 正则表达式验证函数代码

    JavaScript 正则表达式验证函数代码

    上篇文章《JavaScript验证正则表达式大全》说的是javascript中使用的正则表达式的例子,但是没有说这些正则表达式如何使用,现在给大家几个例子,大家可以看看。
    2010-05-05
  • Java正则表达式过滤出字母、数字和中文

    Java正则表达式过滤出字母、数字和中文

    正则表达式在java程序中应用非常广泛,本文给大家介绍java正则表达式过滤字母、数字和中文,本文代码讲解的非常详细,非常具有参考价值,感兴趣的朋友快来看看吧
    2015-10-10
  • 正则表达式之匹配数字范围

    正则表达式之匹配数字范围

    最近有个需求就是根据产品编号批量下架产品,需要下架日期为16-31号之间的产品,这样的通过正则表达式就很好实现
    2018-07-07
  • 无殇 javascript正则练习器

    无殇 javascript正则练习器

    无殇写的javascript正则练习器,比较不错,最后生成替换参数,美中不足的就是替换无法使用,本人也试着修改因为替换参数过多而无法实现,希望会的朋友修正一下
    2007-06-06
  • asp+正则获得字符串中最后一个字母非字母不算

    asp+正则获得字符串中最后一个字母非字母不算

    非常不错的用正则表达式实现的,获取字符串中最后一个字母的代码,这个正则可以应用在所有的支持正则的语言中
    2008-06-06

最新评论