首页 / 后端开发 / Python通过正则表达式去除(过滤)或者替换HTML标签

Python通过正则表达式去除(过滤)或者替换HTML标签

2021-06-22 06:22 后端开发 阅读 3706 来源

python正则表达式转义符:

. 匹配除换行符以外的任意字符
\w 匹配字母或数字或下划线或汉字
\s 匹配任意的空白符
\d 匹配数字
\b 匹配单词的开始或结束
^ 匹配字符串的开始
$ 匹配字符串的结束
\W 匹配任意不是字母,数字,下划线,汉字的字符
\S 匹配任意不是空白符的字符
\D 匹配任意非数字的字符
\B 匹配不是单词开头或结束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou这几个字母以外的任意字符

常用的python正则表达式限定符代码/语法说明:

* 重复零次或更多次
+ 重复一次或更多次
?重复零次或一次
{n}重复n次
{n,}重复n次或更多次
{n,m}重复n到m次

关于python正则表达式命名组:

命名组:(?P<name>.....)
这篇文章里面还提到了界定( 问号开头,前向则有个 '<' 号,非则有个 '!' 号 ):
前向界定 (?< = …)
后向界定 (? = …)
前向非界定 (?<!....)
后向非界定 (?!.....)

Python通过正则表达式获取,去除(过滤)或者替换HTML标签代码举例

    1. Python通过正则表达式取html中天气信息代码示例:

#!/usr/bin/env python
#-*- coding: utf8 -*-
import re
   
html = """
   <h2>多云</h2>
"""
   
if __name__ = = '__main__' :
   p = re. compile ( '<[^>]+>' )
   print p.sub("", html)
Python通过正则表达式取html中温度信息代码示例:
#!/usr/bin/env python
#-*- coding: utf8 -*-
import re
   
html = """
   <div class="w-number"> <span class="tpte">14℃</span> </div>
"""
   
if __name__ = = '__main__' :
   p = re. compile ( '<[^>]+>' )
   print p.sub("", html)

2、Python通过正则表达式去除(过滤)HTML标签示例代码:

# -*- 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>
     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 ( '169it.com_index.htm' ).read()
   news = filter_tags(s)
   print news


猜你喜欢