作者:333 | 来源:互联网 | 2017-05-14 02:44
这篇文章主要介绍了Python通过正则表达式获取、过滤或者替换HTML标签的方法,感兴趣的小伙伴们可以参考一下
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;?\w+[^>]*>&#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!