如何从Python中删除字符串中的所有HTML？例如,我该怎么转:
blah blah <a href="blah">link</a>
成
blah blah link
谢谢!
Tri*_*ych 18
当您的正则表达式解决方案碰壁时,请尝试这个超级简单(可靠)的BeautifulSoup程序.
from BeautifulSoup import BeautifulSoup
html = "<a> Keep me </a>"
soup = BeautifulSoup(html)
text_parts = soup.findAll(text=True)
text = ''.join(text_parts)
MrT*_*opf 10
还有一个名为stripogram的小型库,可用于删除部分或全部HTML标记.
你可以像这样使用它:
from stripogram import html2text, html2safehtml
# Only allow <b>, <a>, <i>, <br>, and <p> tags
clean_html = html2safehtml(original_html,valid_tags=("b", "a", "i", "br", "p"))
# Don't process <img> tags, just strip them out. Use an indent of 4 spaces
# and a page that's 80 characters wide.
text = html2text(original_html,ignore_tags=("img",),indent_width=4,page_width=80)
因此,如果您想简单地删除所有HTML,则将valid_tags =()传递给第一个函数.
您可以使用正则表达式删除所有标记:
>>> import re
>>> s = 'blah blah <a href="blah">link</a>'
>>> re.sub('<[^>]*>', '', s)
'blah blah link'
如果属性中包含' ',则Regexs,BeautifulSoup,html2text 不起作用.请参阅html元素属性值中是否允许">"(U + 003E GREATER-THAN SIGN)？>
基于"HTML/XML解析器"的解决方案在这种情况下可能有所帮助,例如@MrTopf 建议的条形图确实有效.
这是基于ElementTree的解决方案:
####from xml.etree import ElementTree as etree # stdlib
from lxml import etree
str_ = 'blah blah <a href="blah">link</a> END'
root = etree.fromstring('<html>%s</html>' % str_)
print ''.join(root.itertext()) # lxml or ElementTree 1.3+
输出:
blah blah link END
| 归档时间： |
|
| 查看次数： |
9847 次 |
| 最近记录： |