Python通过正则表达式去除(过滤)或者替换HTML标签

本文实例介绍了Python通过正则表达式获取,去除(过滤)或者替换HTML标签的几种方法，具体内容如下

python正则表达式关键内容:

python正则表达式转义符:

. 匹配除换行符以外的任意字符
\w 匹配字母或数字或下划线或汉字
\s 匹配任意的空白符
\d 匹配数字
\b 匹配单词的开始或结束
^ 匹配字符串的开始
$ 匹配字符串的结束
\W 匹配任意不是字母，数字，下划线，汉字的字符
\S 匹配任意不是空白符的字符
\D 匹配任意非数字的字符
\B 匹配不是单词开头或结束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou这几个字母以外的任意字符

常用的python正则表达式限定符代码/语法说明:

* 重复零次或更多次
+ 重复一次或更多次
?重复零次或一次
{n}重复n次
{n,}重复n次或更多次
{n,m}重复n到m次

关于python正则表达式命名组:

命名组:(?P.....)
这篇文章里面还提到了界定( 问号开头,前向则有个 '<' 号,非则有个 '!' 号 ):
前向界定 (?< = …)
后向界定 (? = …)
前向非界定 (?
后向非界定 (?!.....)

Python通过正则表达式获取,去除(过滤)或者替换HTML标签代码举例

1、Python通过正则表达式取html中天气信息代码示例:

#!/usr/bin/env python
#-*- coding: utf8 -*-
import re

html = """
  多云
"""

if __name__ = = '__main__' :
  p = re. compile ( '<[^>]+>' )
  print p.sub("", html)
Python通过正则表达式取html中温度信息代码示例:
#!/usr/bin/env python
#-*- coding: utf8 -*-
import re

html = """
  14℃
"""

if __name__ = = '__main__' :
  p = re. compile ( '<[^>]+>' )
  print p.sub("", html)

2、Python通过正则表达式去除(过滤)HTML标签示例代码:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

# -*- 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 ( '//]*//\]\]>' ,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 ( '' ) #处理换行 re_h = re. compile ( ']*>' ) #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\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 ( '169it.com_index.htm' ).read() news = filter_tags(s) print news