热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

PythonHTML过滤处理实例解析:深入探讨代码实现与应用场景

本文深入解析了Python在处理HTML过滤时的实现方法及其应用场景。通过具体实例,详细介绍了如何利用Python代码去除HTML字符串中的标签和其他无关信息,确保内容的纯净与安全。此外,文章还探讨了该技术在网页抓取、数据清洗等领域的实际应用,为开发者提供了宝贵的参考。

python对html过滤处理的方法

如下所示:

##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('//]*//\]\]>',re.I) #匹配CDATA

re_script&#61;re.compile(&#39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&#39;,re.I)#Script

re_style&#61;re.compile(&#39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&#39;,re.I)#style

re_br&#61;re.compile(&#39;
&#39;)#处理换行

re_h&#61;re.compile(&#39;?\w&#43;[^>]*>&#39;)#HTML标签

re_comment&#61;re.compile(&#39;&#39;)#HTML注释

re_stopwords&#61;re.compile(&#39;\u3000&#39;)#去除无用的&#39;\u3000&#39;字符

s&#61;re_cdata.sub(&#39;&#39;,htmlstr)#去掉CDATA

s&#61;re_script.sub(&#39;&#39;,s) #去掉SCRIPT

s&#61;re_style.sub(&#39;&#39;,s)#去掉style

s&#61;re_br.sub(&#39;\n&#39;,s)#将br转换为换行

s&#61;re_h.sub(&#39;&#39;,s) #去掉HTML 标签

s&#61;re_comment.sub(&#39;&#39;,s)#去掉HTML注释

s&#61;re_stopwords.sub(&#39;&#39;,s)

#去掉多余的空行

blank_line&#61;re.compile(&#39;\n&#43;&#39;)

s&#61;blank_line.sub(&#39;\n&#39;,s)

s&#61;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.

#&#64;param htmlstr HTML字符串.

def replaceCharEntity(htmlstr):

CHAR_ENTITIES&#61;{&#39;nbsp&#39;:&#39; &#39;,&#39;160&#39;:&#39; &#39;,

&#39;lt&#39;:&#39;<&#39;,&#39;60&#39;:&#39;<&#39;,

&#39;gt&#39;:&#39;>&#39;,&#39;62&#39;:&#39;>&#39;,

&#39;amp&#39;:&#39;&&#39;,&#39;38&#39;:&#39;&&#39;,

&#39;quot&#39;:&#39;"&#39;,&#39;34&#39;:&#39;"&#39;,}

re_charEntity&#61;re.compile(r&#39;?(?P\w&#43;);&#39;)

sz&#61;re_charEntity.search(htmlstr)

while sz:

entity&#61;sz.group()#entity全称&#xff0c;如>

key&#61;sz.group(&#39;name&#39;)#去除&;后entity,如>为gt

try:

htmlstr&#61;re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)

sz&#61;re_charEntity.search(htmlstr)

except KeyError:

#以空串代替

htmlstr&#61;re_charEntity.sub(&#39;&#39;,htmlstr,1)

sz&#61;re_charEntity.search(htmlstr)

return htmlstr

以上这篇python对html过滤处理的方法就是小编分享给大家的全部内容了&#xff0c;希望能给大家一个参考&#xff0c;也希望大家多多支持码农之家。

Python使用正则表达式过滤或替换HTML标签方法介绍

这篇文章主要介绍了Python使用正则表达式过滤或替换HTML标签的方法,简单介绍了Python正则相关语法并结合具体实例形式分析了Python基于正则表达式的HTML标签过滤与替换相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python使用正则表达式过滤或替换HTML标签的方法。分享给大家供大家参考&#xff0c;具体如下&#xff1a;

python正则表达式关键内容:

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&#xff0c;数字&#xff0c;下划线&#xff0c;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

&#43;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.....)

这篇文章里面还提到了界定( 问号开头,前向则有个&#39;<&#39;号,非则有个&#39;!&#39; 号 ):

前向界定 (?<&#61;…)

后向界定 (?&#61;…)

前向非界定 (?

后向非界定 (?!.....)

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

# &#64;param htmlstr HTML字符串.

def filter_tags(htmlstr):

# 先过滤CDATA

re_cdata &#61; re.compile("//

CDATA\[[>]∗//

\]>", re.I) #匹配CDATA

re_script &#61; re.compile(&#39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&#39;, re.I) # Script

re_style &#61; re.compile(&#39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&#39;, re.I) # style

re_br &#61; re.compile(&#39;
&#39;) # 处理换行

re_h &#61; re.compile(&#39;?\w&#43;[^>]*>&#39;) # HTML标签

re_comment &#61; re.compile(&#39;&#39;) # HTML注释

s &#61; re_cdata.sub(&#39;&#39;, htmlstr) # 去掉CDATA

s &#61; re_script.sub(&#39;&#39;, s) # 去掉SCRIPT

s &#61; re_style.sub(&#39;&#39;, s) # 去掉style

s &#61; re_br.sub(&#39;\n&#39;, s) # 将br转换为换行

s &#61; re_h.sub(&#39;&#39;, s) # 去掉HTML 标签

s &#61; re_comment.sub(&#39;&#39;, s) # 去掉HTML注释

# 去掉多余的空行

blank_line &#61; re.compile(&#39;\n&#43;&#39;)

s &#61; blank_line.sub(&#39;\n&#39;, s)

s &#61; 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.

# &#64;param htmlstr HTML字符串.

def replaceCharEntity(htmlstr):

CHAR_ENTITIES &#61; {&#39;nbsp&#39;: &#39; &#39;, &#39;160&#39;: &#39; &#39;,

&#39;lt&#39;: &#39;<&#39;, &#39;60&#39;: &#39;<&#39;,

&#39;gt&#39;: &#39;>&#39;, &#39;62&#39;: &#39;>&#39;,

&#39;amp&#39;: &#39;&&#39;, &#39;38&#39;: &#39;&&#39;,

&#39;quot&#39;: &#39;"&#39;&#39;"&#39;, &#39;34&#39;: &#39;"&#39;, }

re_charEntity &#61; re.compile(r&#39;?(?P\w&#43;);&#39;)

sz &#61; re_charEntity.search(htmlstr)

while sz:

entity &#61; sz.group() # entity全称&#xff0c;如>

key &#61; sz.group(&#39;name&#39;) # 去除&;后entity,如>为gt

try:

htmlstr &#61; re_charEntity.sub(CHAR_ENTITIES[key], htmlstr, 1)

sz &#61; re_charEntity.search(htmlstr)

except KeyError:

# 以空串代替

htmlstr &#61; re_charEntity.sub(&#39;&#39;, htmlstr, 1)

sz &#61; re_charEntity.search(htmlstr)

return htmlstr

def repalce(s, re_exp, repl_string):

return re_exp.sub(repl_string, s)

if __name__ &#61;&#61; &#39;__main__&#39;:

s &#61; file(&#39;test.html&#39;).read()

news &#61; filter_tags(s)

print news

以上就是Python使用正则表达式过滤或替换HTML标签方法介绍的详细内容&#xff0c;更多请关注码农之家其它相关文章&#xff01;

以上就是本次给大家分享的关于java的全部知识点内容总结&#xff0c;大家还可以在下方相关文章里找到相关文章进一步学习&#xff0c;感谢大家的阅读和支持。



推荐阅读
  • 本文深入探讨了CGLIB BeanCopier在Bean对象复制中的应用及其优化技巧。相较于Spring的BeanUtils和Apache的BeanUtils,CGLIB BeanCopier在性能上具有显著优势。通过详细分析其内部机制和使用场景,本文提供了多种优化方法,帮助开发者在实际项目中更高效地利用这一工具。此外,文章还讨论了CGLIB BeanCopier在复杂对象结构和大规模数据处理中的表现,为读者提供了实用的参考和建议。 ... [详细]
  • 在处理遗留数据库的映射时,反向工程是一个重要的初始步骤。由于实体模式已经在数据库系统中存在,Hibernate 提供了自动化工具来简化这一过程,帮助开发人员快速生成持久化类和映射文件。通过反向工程,可以显著提高开发效率并减少手动配置的错误。此外,该工具还支持对现有数据库结构进行分析,自动生成符合 Hibernate 规范的配置文件,从而加速项目的启动和开发周期。 ... [详细]
  • Java Web开发中的JSP:三大指令、九大隐式对象与动作标签详解
    在Java Web开发中,JSP(Java Server Pages)是一种重要的技术,用于构建动态网页。本文详细介绍了JSP的三大指令、九大隐式对象以及动作标签。三大指令包括页面指令、包含指令和标签库指令,它们分别用于设置页面属性、引入其他文件和定义自定义标签。九大隐式对象则涵盖了请求、响应、会话、应用上下文等关键组件,为开发者提供了便捷的操作接口。动作标签则通过预定义的动作来简化页面逻辑,提高开发效率。这些内容对于理解和掌握JSP技术具有重要意义。 ... [详细]
  • 如何使用 net.sf.extjwnl.data.Word 类及其代码示例详解 ... [详细]
  • CentOS 7环境下Jenkins的安装与前后端应用部署详解
    CentOS 7环境下Jenkins的安装与前后端应用部署详解 ... [详细]
  • 本文探讨了利用Java实现WebSocket实时消息推送技术的方法。与传统的轮询、长连接或短连接等方案相比,WebSocket提供了一种更为高效和低延迟的双向通信机制。通过建立持久连接,服务器能够主动向客户端推送数据,从而实现真正的实时消息传递。此外,本文还介绍了WebSocket在实际应用中的优势和应用场景,并提供了详细的实现步骤和技术细节。 ... [详细]
  • 技术分享:深入解析GestureDetector手势识别机制
    技术分享:深入解析GestureDetector手势识别机制 ... [详细]
  • 开发笔记:深入解析Android自定义控件——Button的72种变形技巧
    开发笔记:深入解析Android自定义控件——Button的72种变形技巧 ... [详细]
  • Eclipse JFace Text框架中IDocument接口的getNumberOfLines方法详解与编程实例 ... [详细]
  • 在Java编程中,为了提高代码的可读性和执行效率,建议优先使用局部变量来存储方法的返回值,而不是多次调用同一个方法。这样不仅可以减少方法调用的开销,还能避免潜在的性能问题。此外,使用局部变量还可以增强代码的可维护性和调试便利性。 ... [详细]
  • 深入解析Gradle中的Project核心组件
    在Gradle构建系统中,`Project` 是一个核心组件,扮演着至关重要的角色。通过使用 `./gradlew projects` 命令,可以清晰地列出当前项目结构中包含的所有子项目,这有助于开发者更好地理解和管理复杂的多模块项目。此外,`Project` 对象还提供了丰富的配置选项和生命周期管理功能,使得构建过程更加灵活高效。 ... [详细]
  • 如何在Java中高效构建WebService
    本文介绍了如何利用XFire框架在Java中高效构建WebService。XFire是一个轻量级、高性能的Java SOAP框架,能够简化WebService的开发流程。通过结合MyEclipse集成开发环境,开发者可以更便捷地进行项目配置和代码编写,从而提高开发效率。此外,文章还详细探讨了XFire的关键特性和最佳实践,为读者提供了实用的参考。 ... [详细]
  • 如何构建基于Spring MVC框架的Java Web应用项目
    在构建基于Spring MVC框架的Java Web应用项目时,首先应创建一个新的动态Web项目。接着,需将必要的JAR包导入至WebContent/WEB-INF/lib目录下,确保包括Spring核心库及相关依赖。如遇缺失的JAR包,可向社区求助或通过Maven等工具自动下载。正确配置后,即可开始搭建应用结构与功能模块。 ... [详细]
  • 本文全面解析了 gRPC 的基础知识与高级应用,从 helloworld.proto 文件入手,详细阐述了如何定义服务接口。例如,`Greeter` 服务中的 `SayHello` 方法,该方法在客户端和服务器端的消息交互中起到了关键作用。通过实例代码,读者可以深入了解 gRPC 的工作原理及其在实际项目中的应用。 ... [详细]
  • 深入解析 Android TextView 中 getImeActionLabel() 方法的使用与代码示例 ... [详细]
author-avatar
手机用户2502893535
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有