Python之使用正则函数处理文本里的杂质

# -*- coding: utf-8 -*-
import re


class Tool():
# 去除img标签,7位长空格
removeImg = re.compile('<img.*?>| {7}|')
# 删除span标签
removeSpan = re.compile('<span.*?>| {7}|')
# 删除超链接标签
removeAddr = re.compile('<a.*?>|</a>')
# 把换行的标签换为\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
# 将表格制表<td>替换为\t
replaceTD = re.compile('<td>')
# 把段落开头换为\n加空两格
replacePara = re.compile('<p.*?>')
# 将换行符或双换行符替换为\n
replaceBR = re.compile('<br><br>|<br>')
# 将其余标签剔除
removeExtraTag = re.compile('<.*?>')

def replace(self, content):
content = re.sub(self.removeImg, "", content)
content = re.sub(self.removeSpan, "", content)
content = re.sub(self.removeAddr, "", content)
content = re.sub(self.replaceLine, "\n", content)
content = re.sub(self.replaceTD, "\t", content)
content = re.sub(self.replacePara, "\n ", content)
content = re.sub(self.replaceBR, "\n", content)
content = re.sub(self.removeExtraTag, "", content)
# strip()将前后多余内容删除
return content.strip()

转载于:https://www.cnblogs.com/GUIDAO/p/7536507.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值