Python:使用正则去除HTML标签2009-06-08

利用正则式处理，不知道会不会有性能问题，没有经过太多测试。 目前我有很多还是使用BeautifulSoup进行这种处理。 HTML实体处理的只是用于处理一些常用的实体。

# -- 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(‘<\sscript[^>]>[^<]<\s/\sscript\s>’,re.I)#Script re_style=re.compile(‘<\sstyle[^>]>[^<]<\s/\sstyle\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>
       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’: s=file(‘Google.htm’).read() news=filter_tags(s) print news