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!
成都創(chuàng)新互聯(lián)網(wǎng)站建設(shè)公司,提供網(wǎng)站設(shè)計(jì)制作、成都網(wǎng)站制作,網(wǎng)頁(yè)設(shè)計(jì),建網(wǎng)站,PHP網(wǎng)站建設(shè)等專(zhuān)業(yè)做網(wǎng)站服務(wù);可快速的進(jìn)行網(wǎng)站開(kāi)發(fā)網(wǎng)頁(yè)制作和功能擴(kuò)展;專(zhuān)業(yè)做搜索引擎喜愛(ài)的網(wǎng)站,是專(zhuān)業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來(lái)合作!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(zhuān)門(mén)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(chēng),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!
網(wǎng)頁(yè)題目:Python如何使用正則表達(dá)式去除HTML標(biāo)簽提取文字功能-創(chuàng)新互聯(lián)
文章源于:http://muchs.cn/article20/ioeco.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供域名注冊(cè)、關(guān)鍵詞優(yōu)化、App設(shè)計(jì)、ChatGPT、自適應(yīng)網(wǎng)站、服務(wù)器托管
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶(hù)投稿、用戶(hù)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