Python如何使用正則表達(dá)式去除HTML標(biāo)簽提取文字功能

小編給大家分享一下Python如何使用正則表達(dá)式去除HTML標(biāo)簽提取文字功能，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

公司主營(yíng)業(yè)務(wù)：網(wǎng)站設(shè)計(jì)、成都做網(wǎng)站、移動(dòng)網(wǎng)站開發(fā)等業(yè)務(wù)。幫助企業(yè)客戶真正實(shí)現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競(jìng)爭(zhēng)能力。創(chuàng)新互聯(lián)建站是一支青春激揚(yáng)、勤奮敬業(yè)、活力青春激揚(yáng)、勤奮敬業(yè)、活力澎湃、和諧高效的團(tuán)隊(duì)。公司秉承以“開放、自由、嚴(yán)謹(jǐn)、自律”為核心的企業(yè)文化，感謝他們對(duì)我們的高要求，感謝他們從不同領(lǐng)域給我們帶來(lái)的挑戰(zhàn)，讓我們激情的團(tuán)隊(duì)有機(jī)會(huì)用頭腦與智慧不斷的給客戶帶來(lái)驚喜。創(chuàng)新互聯(lián)建站推出交城免費(fèi)做網(wǎng)站回饋大家。

正則表達(dá)式是一個(gè)特殊的字符序列，可以幫助您使用模式中保留的專門語(yǔ)法來(lái)匹配或查找其他字符串或字符串集。正則表達(dá)式在UNIX世界中被廣泛使用。

Python使用正則表達(dá)式去除HTML標(biāo)簽提取文字，具體代碼如下：

# -*- coding: utf-8-*-
import re
##過(guò)濾HTML中的標(biāo)簽
#將HTML中標(biāo)簽等信息去掉
#@param htmlstr HTML字符串.
def filter_tags(htmlstr):
 #先過(guò)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?yè)Q行
 re_h=re.compile('</?w+[^>]*>')#HTML標(biāo)簽
 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(zhuǎn)換為換行
 s=re_h.sub('',s) #去掉HTML 標(biāo)簽
 s=re_comment.sub('',s)#去掉HTML注釋
 #去掉多余的空行
 blank_line=re.compile('n+')
 s=blank_line.sub('n',s)
 s=replaceCharEntity(s)#替換實(shí)體
 return s
##替換常用HTML字符實(shí)體.
#使用正常的字符替換HTML中特殊的字符實(shí)體.
#你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)體.
#@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全稱，如>
  key=sz.group('name')#去除&;后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 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)

看完了這篇文章，相信你對(duì)“Python如何使用正則表達(dá)式去除HTML標(biāo)簽提取文字功能”有了一定的了解，如果想了解更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！

本文名稱：Python如何使用正則表達(dá)式去除HTML標(biāo)簽提取文字功能
URL地址：http://bm7419.com/article28/pcccjp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營(yíng)銷、網(wǎng)站建設(shè)、網(wǎng)站策劃、網(wǎng)站內(nèi)鏈、做網(wǎng)站、軟件開發(fā)

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內(nèi)容