#! /usr/bin/python
# -*- coding:utf-8 -*-
'''
Created on 2013-12-18
@author: Java
'''
import re
from HTMLParser import HTMLParser
class FilterTag():
def __init__(self):
pass
def filterHtmlTag(self,htmlStr):
'''
過濾html中的標籤
:param htmlStr:html字符串 或是網頁源碼
'''
self.htmlStr = htmlStr
#先過濾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*?/?>')#處理換行
re_h=re.compile('</?\w+[^>]*>')#HTML標籤
re_comment=re.compile('<!--[^>]*-->')#HTML註釋
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轉換爲換行
blank_line=re.compile('\n+')#去掉多餘的空行
s = blank_line.sub('\n',s)
s=re_h.sub('',s) #去掉HTML 標籤
s=re_comment.sub('',s)#去掉HTML註釋
#去掉多餘的空行
blank_line=re.compile('\n+')
s=blank_line.sub('\n',s)
filterTag = FilterTag()
s=filterTag.replaceCharEntity(s)#替換實體
print s
def replaceCharEntity(self,htmlStr):
'''
替換html中常用的字符實體
使用正常的字符替換html中特殊的字符實體
可以添加新的字符實體到CHAR_ENTITIES 中
CHAR_ENTITIES是一個字典前面是特殊字符實體 後面是其對應的正常字符
:param htmlStr:
'''
self.htmlStr = 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&;後的字符如（" "--->key = "nbsp"） 去除&;後entity,如>爲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 replace(self,s,re_exp,repl_string):
return re_exp.sub(repl_string)
def strip_tags(self,htmlStr):
'''
使用HTMLParser進行html標籤過濾
:param htmlStr:
'''
self.htmlStr = htmlStr
htmlStr = htmlStr.strip()
htmlStr = htmlStr.strip("\n")
result = []
parser = HTMLParser()
parser.handle_data = result.append
parser.feed(htmlStr)
parser.close()
return ''.join(result)
def stripTagSimple(self,htmlStr):
'''
最簡單的過濾html <>標籤的方法 注意必須是<任意字符> 而不能單純是<>
:param htmlStr:
'''
self.htmlStr = htmlStr
# dr =re.compile(r'<[^>]+>',re.S)
dr = re.compile(r'</?\w+[^>]*>',re.S)
htmlStr =re.sub(dr,'',htmlStr)
return htmlStr
if __name__=='__main__':
# s = file('Google.html').read()
filters = FilterTag()
print filters.stripTagSimple("<1>你好<html>")
python 去除html標籤的幾種方法
發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章