因为要处理html页面 ,将页面中的内容全部取出来,采用 re 正则表达式进行匹配
代码如下:
# 去除页面中所有的 script 标签,原来的不能全部去除,自己进行了加工处理,可能不太完善
re_script = re.compile('<script[^>]*>[\s\S]*?<\/script>',re.I)
re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I) # 去除页面中的style 标签
del_label = re.compile(r'<[^>]+>',re.S) # 去除页面中所有的标签
content_del = re_script.sub('',htmlbody)
content_del = re_style.sub("",content_del)
content_del = del_label.sub("",content_del)
# 去除标签后 会出现很多的空格 或者 换行符 ,对其进行处理
content_del = content_del.replace('\t','').replace(' ','')
# 处理后发现 有很多的空行,按 换行符进行分割
content_del = content_del.split('\n')
content = ''
# 处理空行
for c in content_del:
if c:
content = content + c.strip() + '\n'
# 将处理完的内容写到文件中
f = open("E://hanhan/text.txt",'wb')
f.write(content)
f.close()
参考:
# -*- coding: utf-8-*-
import re
##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('\n',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('\n',s)
s=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.
#@param htmlstr HTML字符串.
def replaceCharEntity(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全称,如>
key=sz.group('name')#去除&;后entity,如>为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 repalce(s,re_exp,repl_string):
return re_exp.sub(repl_string,s)
if __name__=='__main__':
s=file('Google.htm').read()
news=filter_tags(s)
print news