python去除html标签

python去除html标签

    re_cdata=re.compile('//]*//\]\]>',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('')#匹配html中的br标签 ，换行
    re_h=re.compile(']*>')  #匹配HTML标签
    s=re_h.sub('',s) #去掉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
    blank_line=re.compile('\n+')#去掉多余的空行
    s = blank_line.sub('\n',s)
    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)
    filterTag = FilterTag()
    s=filterTag.replaceCharEntity(s)#替换实体
    print  s

    re_charEntity=re.compile(r'&#?(?P\w+);')
    sz=re_charEntity.search(htmlStr)
    while sz:
        entity=sz.group()#entity全称，如>
        key=sz.group('name')#去除&;后的字符如（" "--->key = "nbsp"）    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

python去除html标签

    re_h=re.compile(']*>')#匹配HTML标签
    s=re_h.sub('',htmlStr) #去掉HTML 标签

js去除html标签

htmlStr.replace(/<[^>]+>/g," ")