Python利用正则表达式过滤或替换HTML标签的完整指南
本文详细介绍如何使用Python正则表达式过滤HTML标签及替换特殊字符。涵盖正则核心语法如转义符、限定符与命名组，并提供完整的Python代码示例，演示如何去除CDATA、Script、Style及HTML注释，最后通过实体替换函数处理特殊字符，帮助开发者高效清理HTML文本。
本文通过具体实例，讲解在Python中利用正则表达式来过滤或替换HTML标签的实现方法，供读者参考学习。
掌握Python正则表达式的关键内容如下：
以下是Python正则表达式中常用的转义符及其含义：
. 用于匹配除换行符（\n）以外的任意单个字符。\w 用于匹配字母、数字、下划线或汉字字符。\s 用于匹配任意类型的空白符（包括空格、制表符等）。\d 用于匹配数字字符。\b 用于匹配单词边界，即单词的开始或结束位置。^ 用于匹配字符串的起始位置。$ 用于匹配字符串的结束位置。\W 用于匹配任意非字母、非数字、非下划线、非汉字的字符。\S 用于匹配任意非空白符的字符。\D 用于匹配任意非数字字符。\B 用于匹配非单词边界的位置。[^x] 用于匹配除了字符x以外的任意字符。[^aeiou] 用于匹配除了a、e、i、o、u这几个元音字母以外的任意字符。
以下是Python正则表达式中常用的限定符代码及其语法说明：
* 表示重复零次或更多次。+ 表示重复一次或更多次。? 表示重复零次或一次。{n} 表示精确重复n次。{n,} 表示重复n次或更多次。{n,m} 表示重复n到m次。关于Python正则表达式中的命名组，语法为(?P<name>.....)。此外，文中还涉及了界定符（以问号开头，前向界定包含'<'号，非前向包含'!'号）：前向界定 (?<=…)、后向界定 (?=…)、前向非界定 (?<!....) 以及后向非界定 (?!.....)。
以下是通过Python正则表达式去除（过滤）HTML标签的完整示例代码：
#-*- 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\[[>]∗//
\]>", 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
补充说明：这里再提供两款方便实用的正则表达式在线工具供参考使用：
JavaScript正则表达式在线测试工具： http://tools.jb51.net/regex/javascript
正则表达式在线生成工具： http://tools.jb51.net/regex/create_reg
若需了解更多Python相关知识，可查阅本站系列专题，包括《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》以及《Python文件与目录操作技巧汇总》。
希望本文所述内容能对各位Python程序设计人员有所帮助。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
