HTML网页使用python提取正文，文字，过滤掉标签，空行，空格等

最新推荐文章于 2023-09-27 21:28:04 发布

疯颠颠_

最新推荐文章于 2023-09-27 21:28:04 发布

阅读量6.5k

点赞数 3

分类专栏： python

本文链接：https://blog.csdn.net/huang_mao_mao/article/details/24313553

版权

这段内容介绍了如何使用Python来过滤HTML中的标签、注释、空行等，包括正则表达式处理CDATA、SCRIPT、STYLE、BR标签，以及替换HTML字符实体的方法。

摘要由CSDN通过智能技术生成

##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('//<!\[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*?/?>')#处理换行
    re_h=re.compile('</?\w+[^>]*>')#HTML标签
    re_comment=re.compile('<!--[^>]*-->')#HTML注释
    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('',s)#将br转换为换行
    s=re_h.sub('',s) #去掉HTML 标签
    s=re_comment.sub('',s)#去掉HTML注释
    #去掉多余的空行
    blank_line=re.compile('\n+')
    s=blank_line.sub(&#