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:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
. 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:
|
1
2
3
4
5
6
|
*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:
|
1
2
3
4
5
6
|
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:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
#!/usr/bin/env python #-*- coding: utf8 -*- import re html = """ <h2>多云</h2> """ if __name__ == '__main__': p = re.compile('<[^>]+>') 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 = """ <div class="w-number"> <span class="tpte">14℃</span> </div> """ if __name__ == '__main__': p = re.compile('<[^>]+>') print p.sub("", html) |
2、Python通过正则表达式去除(过滤)HTML标签示例代码:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
|
# -*- 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\[[^>]*//\]\]>',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 htmlstrdef repalce(s,re_exp,repl_string): return re_exp.sub(repl_string,s)if __name__=='__main__': s=file('169it.com_index.htm').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。
