我一直在阅读很多关于如何使用python从字符串中删除所有html代码的q&a,但没有一个令人满意.我需要一种方法来删除所有标签,保留/转换html实体并使用utf-8字符串.
显然,BeautifulSoup容易受到一些特制的html字符串的影响,我用HTMLParser构建了一个简单的解析器来获取文本,但是我丢失了实体
from HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.data = []
def handle_data(self, data):
self.data.append(data)
def handle_charref(self, name):
self.data.append(name)
def handle_entityref(self, ent):
self.data.append(ent)
给我一些类似的东西
[u'Asia,sp',u'cialiste du voyage',...
在spécialiste中失去了重音"e"的实体.
使用众多正则表达式中的一个,您可以找到类似问题的答案,它总会有一些未考虑的边缘情况.
我可以用任何真正好的模块吗?