Python代码从string中删除HTML标签

我有这样的文字:

text = """<div> <h1>Title</h1> <p>A long text........ </p> <a href=""> a link </a> </div>""" 

使用纯Python,没有外部模块我想要这样:

 >>> print remove_tags(text) Title A long text..... a link 

我知道我可以使用lxml.html.fromstring(text).text_content()来做到这一点,但我需要在纯Python中使用内置或std库来实现2.6+

我怎样才能做到这一点?

5 Solutions collect form web for “Python代码从string中删除HTML标签”

使用正则expression式

使用正则expression式可以清理<>所有内容:

 import re def cleanhtml(raw_html): cleanr = re.compile('<.*?>') cleantext = re.sub(cleanr, '', raw_html) return cleantext 

使用BeautifulSoup

你也可以使用BeautifulSoup来查找所有的原始文本

 from bs4 import BeautifulSoup cleantext = BeautifulSoup(raw_html).text 

但是这并不妨碍你使用外部库,所以我推荐第一个解决scheme。

Python有几个内置的XML模块。对于已经有一个完整的HTMLstring的情况,最简单的就是xml.etree ,它与您提到的lxml示例类似:

 def remove_tags(text): return ''.join(xml.etree.ElementTree.fromstring(text).itertext()) 

请注意,这不是完美的,因为如果你有类似的东西,比如说<a title=">">它会中断。 然而,这是关于在没有真正复杂函数的情况下,在非库Python中最接近的:

 import re TAG_RE = re.compile(r'<[^>]+>') def remove_tags(text): return TAG_RE.sub('', text) 

然而,正如lvc提到xml.etree在Python标准库中可用,所以你可能只是适应它像现有的lxml版本:

 def remove_tags(text): return ''.join(xml.etree.ElementTree.fromstring(text).itertext()) 

在任何C语言中都有一个简单的方法。 风格不是Pythonic,而是用纯Python工作:

 def remove_html_markup(s): tag = False quote = False out = "" for c in s: if c == '<' and not quote: tag = True elif c == '>' and not quote: tag = False elif (c == '"' or c == "'") and tag: quote = not quote elif not tag: out = out + c return out 

基于一个简单的有限状态机的想法,并在这里详细解释:http: //youtu.be/2tu9LTDujbw

你可以看到它在这里工作:http: //youtu.be/HPkNPcYed9M?t=35s

PS – 如果你对这个类感兴趣(关于用python进行智能debugging),我给你一个链接: http : //www.udacity.com/overview/Course/cs259/CourseRev/1 。 免费!

 global temp temp ='' s = ' ' def remove_strings(text): global temp if text == '': return temp start = text.find('<') end = text.find('>') if start == -1 and end == -1 : temp = temp + text return temp newstring = text[end+1:] fresh_start = newstring.find('<') if newstring[:fresh_start] != '': temp += s+newstring[:fresh_start] remove_strings(newstring[fresh_start:]) return temp 
  • XML和XSD有什么区别?
  • C#创build简单的xml文件
  • 根据XSD文件验证XML文件的最佳方法是什么?
  • 读取embedded式XML文件c#
  • 是否有一个Java XML API可以parsing文档而不parsing字符实体?
  • JAXB - 从生成的XML中移除standalone =“yes”
  • 在Android上编写XML
  • 免费的XML格式化工具
  • 什么是在Python中分析大型XML文档的最快方法?
  • 有没有办法在XML中转义CDATA结束标记?
  • SimpleXmlstring