python 去除html標籤的幾種方法
#! /usr/bin/python # -*- coding:utf-8 -*- ''' Created on 2013-12-18 @author: Java ''' import re from HTMLParser import HTMLParser class FilterTag(): def __init__(self): pass def filterHtmlTag(self,htmlStr): ''' 過濾html中的標籤 :param htmlStr:html字元串 或是網頁源碼 ''' self.htmlStr = htmlStr #先過濾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*?/?>')#處理換行 re_h=re.compile('</?w+[^>]*>')#HTML標籤 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 blank_line=re.compile('n+')#去掉多餘的空行 s = blank_line.sub('n',s) s=re_h.sub('',s) #去掉HTML 標籤 s=re_comment.sub('',s)#去掉HTML注釋 #去掉多餘的空行 blank_line=re.compile('n+') s=blank_line.sub('n',s) filterTag = FilterTag() s=filterTag.replaceCharEntity(s)#替換實體 print s def replaceCharEntity(self,htmlStr): ''' 替換html中常用的字元實體 使用正常的字元替換html中特殊的字元實體 可以添加新的字元實體到CHAR_ENTITIES 中 CHAR_ENTITIES是一個字典前面是特殊字元實體 後面是其對應的正常字元 :param htmlStr: ''' self.htmlStr = 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全稱，如> key=sz.group('name')#去除&;後的字元如（" "--->key = "nbsp"） 去除&;後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 replace(self,s,re_exp,repl_string): return re_exp.sub(repl_string) def strip_tags(self,htmlStr): ''' 使用HTMLParser進行html標籤過濾 :param htmlStr: ''' self.htmlStr = htmlStr htmlStr = htmlStr.strip() htmlStr = htmlStr.strip("n") result = [] parser = HTMLParser() parser.handle_data = result.append parser.feed(htmlStr) parser.close() return ''.join(result) def stripTagSimple(self,htmlStr): ''' 最簡單的過濾html <>標籤的方法 注意必須是<任意字元> 而不能單純是<> :param htmlStr: ''' self.htmlStr = htmlStr # dr =re.compile(r'<[^>]+>',re.S) dr = re.compile(r'</?w+[^>]*>',re.S) htmlStr =re.sub(dr,'',htmlStr) return htmlStr if __name__=='__main__': # s = file('Google.html').read() filters = FilterTag() print filters.stripTagSimple("<1>你好<html>")
