Python正则获取和过滤或者替换HTML标签的方法说明

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&＃39;<&＃39;号,非则有个&＃39;!&＃39; 号 ):
前向界定 (?<=…)
后向界定 (?=…) 
前向非界定 (?
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 == &＃39;main&＃39;: 
  p = re.compile(&＃39;<[^>]+>&＃39;) 
  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 == &＃39;main&＃39;: 
  p = re.compile(&＃39;<[^>]+>&＃39;) 
  print p.sub("", html)
2、Python通过正则表达式去除(过滤)HTML标签示例代码:

# -*- 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(&＃39;//]*//\]\]>&＃39;,re.I) #匹配CDATA
  re_script=re.compile(&＃39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&＃39;,re.I)#Script
  re_style=re.compile(&＃39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&＃39;,re.I)#style
  re_br=re.compile(&＃39;&＃39;)#处理换行
  re_h=re.compile(&＃39;]*>&＃39;)#HTML标签
  re_comment=re.compile(&＃39;&＃39;)#HTML注释
  s=re_cdata.sub(&＃39;&＃39;,htmlstr)#去掉CDATA
  s=re_script.sub(&＃39;&＃39;,s) #去掉SCRIPT
  s=re_style.sub(&＃39;&＃39;,s)#去掉style
  s=re_br.sub(&＃39;\n&＃39;,s)#将br转换为换行
  s=re_h.sub(&＃39;&＃39;,s) #去掉HTML 标签
  s=re_comment.sub(&＃39;&＃39;,s)#去掉HTML注释
  #去掉多余的空行
  blank_line=re.compile(&＃39;\n+&＃39;)
  s=blank_line.sub(&＃39;\n&＃39;,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={&＃39;nbsp&＃39;:&＃39; &＃39;,&＃39;160&＃39;:&＃39; &＃39;,
        &＃39;lt&＃39;:&＃39;<&＃39;,&＃39;60&＃39;:&＃39;<&＃39;,
        &＃39;gt&＃39;:&＃39;>&＃39;,&＃39;62&＃39;:&＃39;>&＃39;,
        &＃39;amp&＃39;:&＃39;&&＃39;,&＃39;38&＃39;:&＃39;&&＃39;,
        &＃39;quot&＃39;:&＃39;"&＃39;,&＃39;34&＃39;:&＃39;"&＃39;,}
   
  re_charEntity=re.compile(r&＃39;?(?P\w+);&＃39;)
  sz=re_charEntity.search(htmlstr)
  while sz:
    entity=sz.group()#entity全称，如>
    key=sz.group(&＃39;name&＃39;)#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(&＃39;&＃39;,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==&＃39;main&＃39;:
  s=file(&＃39;169it.com_index.htm&＃39;).read()
  news=filter_tags(s)
  print news
以上就是本文的全部内容，希望对大家的学习有所帮助。
以上就是Python正则获取和过滤或者替换HTML标签的方法说明的详细内容，更多请关注 第一PHP社区 其它相关文章！