python 过滤文本中的HTML标签

最近需要过滤文本中的HTML标签，在网上找了个大神写的python方法：

'''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_tag(htmlstr):  

    re_cdata = re.compile(']*>', re.I)  

    re_script = re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>', re.I) #过滤脚本  

    re_style = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>', re.I) #过滤style  

    re_br = re.compile('')  

    re_h = re.compile(']*>')  

    re_comment = re.compile('')  

    s = re_cdata.sub('', htmlstr)  

    s = re_script.sub('', s)  

    s=re_style.sub('',s)  

    s=re_br.sub('\n',s)  

    s=re_h.sub(' ',s)  

    s=re_comment.sub('',s)  

    blank_line=re.compile('\n+')  

    s=blank_line.sub('\n',s)  

    s=re.sub('\s+',' ',s)  

    s=replaceCharEntity(s)  

    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+);') #命名组,把 匹配字段中\w+的部分命名为name,可以用group函数获取  

    sz=re_charEntity.search(htmlstr)  

    while sz:  

        #entity=sz.group()  

        key=sz.group('name') #命名组的获取  

        try:  

            htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1) #1表示替换第一个匹配  

            sz=re_charEntity.search(htmlstr)  

        except KeyError:  

            htmlstr=re_charEntity.sub('',htmlstr,1)  

            sz=re_charEntity.search(htmlstr)  

    return htmlstr  

非常好用，谢谢大神。