Python使用正则表达式过滤或替换HTML标签的方法详解


            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，具体如下：

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<name>.....)

这篇文章里面还提到了界定( 问号开头,前向则有个'<'号,非则有个'!' 号 ):

前向界定 (?<=…)

后向界定 (?=…)

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

# @param htmlstr HTML字符串.

def filter_tags(htmlstr):

  # 先过滤CDATA

  re_cdata = re.compile("//<!

CDATA\[[>]&#8727;//

\]>", re.I) #匹配CDATA

  re_script = re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>', re.I) # Script

  re_style = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>', re.I) # style

  re_br = re.compile('<br\s*?/?>') # 处理换行

  re_h = re.compile('</?\w+[^>]*>') # HTML标签

  re_comment = re.compile('<!--[^>]*-->') # HTML注释

  s = re_cdata.sub('', htmlstr) # 去掉CDATA

  s = re_script.sub('', s) # 去掉SCRIPT

  s = re_style.sub('', s) # 去掉style

  s = re_br.sub('\n', s) # 将br转换为换行

  s = re_h.sub('', s) # 去掉HTML 标签

  s = re_comment.sub('', s) # 去掉HTML注释

  # 去掉多余的空行

  blank_line = re.compile('\n+')

  s = blank_line.sub('\n', 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 = {'nbsp': ' ', '160': ' ',

           'lt': '<', '60': '<',

           'gt': '>', '62': '>',

           'amp': '&', '38': '&',

           'quot': '"''"', '34': '"', }

  re_charEntity = re.compile(r'&#?(?P<name>\w+);')

  sz = re_charEntity.search(htmlstr)

  while sz:

    entity = sz.group() # entity全称，如>

    key = sz.group('name') # 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('', 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__ == '__main__':

  s = file('test.html').read()

  news = filter_tags(s)

  print news







PS：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具：

http://tools.zwyuanma.com/regex/javascript

正则表达式在线生成工具：

http://tools.zwyuanma.com/regex/create_reg

更多关于Python相关内容可查看本站专题：《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。