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。