Python中过滤HTML标签的函数

#用正则简单过滤html的<>标签

import re

str = "<img /><a>srcd</a>hello</br><br/>"

str = re.sub(r'</?\w+[^>]*>','',str)

print str

#用了HTMLParser,有更简单的方式吗?正则?

def strip_tags(html):

"""

Python中过滤HTML标签的函数

>>> str_text=strip_tags("<font color=red>hello</font>")

>>> print str_text

hello

"""

from HTMLParser import HTMLParser

html = html.strip()

html = html.strip("\n")

result = []

parser = HTMLParser()

parser.handle_data = result.append

parser.feed(html)

parser.close()

return ''.join(result)


#更深层次的过滤,类似instapaper或者readitlater这种服务,很有意思的研究课题

# -*- 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*script\s*>',re.I)#Script

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

re_br=re.compile('<br\s*?/?>')#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&gt;

key=sz.group('name')#去除&;后entity,如&gt;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__':

s=file('Google.htm').read()

news=filter_tags(s)

print news

您可以选择一种方式赞助本站