Python正則表示式過濾或者替換HTML標籤的方法
阿新 • • 發佈：2019-02-03
python正則表示式關鍵內容:
python正則表示式轉義符:. 匹配除換行符以外的任意字元
\w 匹配字母或數字或下劃線或漢字
\s 匹配任意的空白符
\d 匹配數字
\b 匹配單詞的開始或結束
^ 匹配字串的開始
$ 匹配字串的結束
\W 匹配任意不是字母，數字，下劃線，漢字的字元
\S 匹配任意不是空白符的字元
\D 匹配任意非數字的字元
\B 匹配不是單詞開頭或結束的位置
[^x] 匹配除了x以外的任意字元
[^aeiou] 匹配除了aeiou這幾個字母以外的任意字元
常用的python正則表示式限定符程式碼/語法說明:*重複零次或更多次
+重複一次或更多次
?重複零次或一次
{n}重複n次
{n,}重複n次或更多次
{n,m}重複n到m次
關於python正則表示式命名組:
命名組:(?P<name>.....)
這篇文章裡面還提到了界定( 問號開頭,前向則有個'<'號,非則有個'!' 號 ):
前向界定 (?<=…)
後向界定 (?=…)
前向非界定 (?<!....)
後向非界定 (?!.....)
Python通過正則表示式去除(過濾)HTML標籤示例程式碼
#-*- coding:utf-8 -*- import re ##過濾HTML中的標籤 # 將HTML中標籤等資訊去掉 # @param htmlstr HTML字串. def filter_tags(htmlstr): # 先過濾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*?/?>') # 處理換行 re_h = re.compile('</?\w+[^>]*>') # HTML標籤 re_comment = re.compile('<!--[^>]*-->') # HTML註釋 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) # 將br轉換為換行 s = re_h.sub('', s) # 去掉HTML 標籤 s = re_comment.sub('', s) # 去掉HTML註釋 # 去掉多餘的空行 blank_line = re.compile('\n+') s = blank_line.sub('\n', s) s = replaceCharEntity(s) # 替換實體 return s ##替換常用HTML字元實體. # 使用正常的字元替換HTML中特殊的字元實體. # 你可以新增新的實體字元到CHAR_ENTITIES中,處理更多HTML字元實體. # @param htmlstr HTML字串. 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全稱，如> key = sz.group('name') # 去除&;後entity,如>為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