PythonHTML过滤处理实例解析：深入探讨代码实现与应用场景

python对html过滤处理的方法

如下所示&＃xff1a;

##过滤HTML中的标签

#将HTML中标签等信息去掉

#&＃64;param htmlstr HTML字符串.

def filter_tags(htmlstr):

#先过滤CDATA

re_cdata&＃61;re.compile(&＃39;//]*//\]\]>&＃39;,re.I) #匹配CDATA

re_script&＃61;re.compile(&＃39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&＃39;,re.I)#Script

re_style&＃61;re.compile(&＃39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&＃39;,re.I)#style

re_br&＃61;re.compile(&＃39;
&＃39;)#处理换行

re_h&＃61;re.compile(&＃39;?\w&＃43;[^>]*>&＃39;)#HTML标签

re_comment&＃61;re.compile(&＃39;&＃39;)#HTML注释

re_stopwords&＃61;re.compile(&＃39;\u3000&＃39;)#去除无用的&＃39;\u3000&＃39;字符

s&＃61;re_cdata.sub(&＃39;&＃39;,htmlstr)#去掉CDATA

s&＃61;re_script.sub(&＃39;&＃39;,s) #去掉SCRIPT

s&＃61;re_style.sub(&＃39;&＃39;,s)#去掉style

s&＃61;re_br.sub(&＃39;\n&＃39;,s)#将br转换为换行

s&＃61;re_h.sub(&＃39;&＃39;,s) #去掉HTML 标签

s&＃61;re_comment.sub(&＃39;&＃39;,s)#去掉HTML注释

s&＃61;re_stopwords.sub(&＃39;&＃39;,s)

#去掉多余的空行

blank_line&＃61;re.compile(&＃39;\n&＃43;&＃39;)

s&＃61;blank_line.sub(&＃39;\n&＃39;,s)

s&＃61;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.

#&＃64;param htmlstr HTML字符串.

def replaceCharEntity(htmlstr):

CHAR_ENTITIES&＃61;{&＃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&＃61;re.compile(r&＃39;?(?P\w&＃43;);&＃39;)

sz&＃61;re_charEntity.search(htmlstr)

while sz:

entity&＃61;sz.group()#entity全称&＃xff0c;如>

key&＃61;sz.group(&＃39;name&＃39;)#去除&;后entity,如>为gt

try:

htmlstr&＃61;re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)

sz&＃61;re_charEntity.search(htmlstr)

except KeyError:

#以空串代替

htmlstr&＃61;re_charEntity.sub(&＃39;&＃39;,htmlstr,1)

sz&＃61;re_charEntity.search(htmlstr)

return htmlstr

以上这篇python对html过滤处理的方法就是小编分享给大家的全部内容了&＃xff0c;希望能给大家一个参考&＃xff0c;也希望大家多多支持码农之家。

Python使用正则表达式过滤或替换HTML标签方法介绍

这篇文章主要介绍了Python使用正则表达式过滤或替换HTML标签的方法,简单介绍了Python正则相关语法并结合具体实例形式分析了Python基于正则表达式的HTML标签过滤与替换相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python使用正则表达式过滤或替换HTML标签的方法。分享给大家供大家参考&＃xff0c;具体如下&＃xff1a;

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&＃xff0c;数字&＃xff0c;下划线&＃xff0c;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

&＃43;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 (?<&＃61;…)

后向界定 (?&＃61;…)

前向非界定 (?

后向非界定 (?!.....)

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

# &＃64;param htmlstr HTML字符串.

def filter_tags(htmlstr):

# 先过滤CDATA

re_cdata &＃61; re.compile("//

CDATA\[[>]∗//

\]>", re.I) #匹配CDATA

re_script &＃61; re.compile(&＃39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&＃39;, re.I) # Script

re_style &＃61; re.compile(&＃39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&＃39;, re.I) # style

re_br &＃61; re.compile(&＃39;
&＃39;) # 处理换行

re_h &＃61; re.compile(&＃39;?\w&＃43;[^>]*>&＃39;) # HTML标签

re_comment &＃61; re.compile(&＃39;&＃39;) # HTML注释

s &＃61; re_cdata.sub(&＃39;&＃39;, htmlstr) # 去掉CDATA

s &＃61; re_script.sub(&＃39;&＃39;, s) # 去掉SCRIPT

s &＃61; re_style.sub(&＃39;&＃39;, s) # 去掉style

s &＃61; re_br.sub(&＃39;\n&＃39;, s) # 将br转换为换行

s &＃61; re_h.sub(&＃39;&＃39;, s) # 去掉HTML 标签

s &＃61; re_comment.sub(&＃39;&＃39;, s) # 去掉HTML注释

# 去掉多余的空行

blank_line &＃61; re.compile(&＃39;\n&＃43;&＃39;)

s &＃61; blank_line.sub(&＃39;\n&＃39;, s)

s &＃61; 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.

# &＃64;param htmlstr HTML字符串.

def replaceCharEntity(htmlstr):

CHAR_ENTITIES &＃61; {&＃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;"&＃39;, &＃39;34&＃39;: &＃39;"&＃39;, }

re_charEntity &＃61; re.compile(r&＃39;?(?P\w&＃43;);&＃39;)

sz &＃61; re_charEntity.search(htmlstr)

while sz:

entity &＃61; sz.group() # entity全称&＃xff0c;如>

key &＃61; sz.group(&＃39;name&＃39;) # 去除&;后entity,如>为gt

try:

htmlstr &＃61; re_charEntity.sub(CHAR_ENTITIES[key], htmlstr, 1)

sz &＃61; re_charEntity.search(htmlstr)

except KeyError:

# 以空串代替

htmlstr &＃61; re_charEntity.sub(&＃39;&＃39;, htmlstr, 1)

sz &＃61; re_charEntity.search(htmlstr)

return htmlstr

def repalce(s, re_exp, repl_string):

return re_exp.sub(repl_string, s)

if __name__ &＃61;&＃61; &＃39;__main__&＃39;:

s &＃61; file(&＃39;test.html&＃39;).read()

news &＃61; filter_tags(s)

print news

以上就是Python使用正则表达式过滤或替换HTML标签方法介绍的详细内容&＃xff0c;更多请关注码农之家其它相关文章&＃xff01;

以上就是本次给大家分享的关于java的全部知识点内容总结&＃xff0c;大家还可以在下方相关文章里找到相关文章进一步学习&＃xff0c;感谢大家的阅读和支持。