快捷導(dǎo)航

Python使用正則表達(dá)式過濾或替換HTML標(biāo)簽的方法詳解

更新時(shí)間：2017年09月25日 12:07:20 作者：靜妍

這篇文章主要介紹了Python使用正則表達(dá)式過濾或替換HTML標(biāo)簽的方法,簡(jiǎn)單介紹了Python正則相關(guān)語(yǔ)法并結(jié)合具體實(shí)例形式分析了Python基于正則表達(dá)式的HTML標(biāo)簽過濾與替換相關(guān)操作技巧,需要的朋友可以參考下

本文實(shí)例講述了Python使用正則表達(dá)式過濾或替換HTML標(biāo)簽的方法。分享給大家供大家參考，具體如下：

python正則表達(dá)式關(guān)鍵內(nèi)容:

python正則表達(dá)式轉(zhuǎn)義符:

. 匹配除換行符以外的任意字符
\w 匹配字母或數(shù)字或下劃線或漢字
\s 匹配任意的空白符
\d 匹配數(shù)字
\b 匹配單詞的開始或結(jié)束
^ 匹配字符串的開始
$ 匹配字符串的結(jié)束
\W 匹配任意不是字母，數(shù)字，下劃線，漢字的字符
\S 匹配任意不是空白符的字符
\D 匹配任意非數(shù)字的字符
\B 匹配不是單詞開頭或結(jié)束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou這幾個(gè)字母以外的任意字符

常用的python正則表達(dá)式限定符代碼/語(yǔ)法說明:

*重復(fù)零次或更多次
+重復(fù)一次或更多次
?重復(fù)零次或一次
{n}重復(fù)n次
{n,}重復(fù)n次或更多次
{n,m}重復(fù)n到m次
關(guān)于python正則表達(dá)式命名組:
命名組:(?P<name>.....)
這篇文章里面還提到了界定( 問號(hào)開頭,前向則有個(gè)'<'號(hào),非則有個(gè)'!' 號(hào) ):
前向界定 (?<=…)
后向界定 (?=…)
前向非界定 (?<!....)
后向非界定 (?!.....)

Python通過正則表達(dá)式去除(過濾)HTML標(biāo)簽示例代碼

#-*- coding:utf-8 -*-
import re
##過濾HTML中的標(biāo)簽
# 將HTML中標(biāo)簽等信息去掉
# @param htmlstr HTML字符串.
def filter_tags(htmlstr):
  # 先過濾CDATA
  re_cdata = re.compile("http://<!
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?yè)Q行
  re_h = re.compile('</?\w+[^>]*>') # HTML標(biāo)簽
  re_comment = re.compile('<!--[^>]*-->') # HTML注釋
  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(zhuǎn)換為換行
  s = re_h.sub('', s) # 去掉HTML 標(biāo)簽
  s = re_comment.sub('', s) # 去掉HTML注釋
  # 去掉多余的空行
  blank_line = re.compile('\n+')
  s = blank_line.sub('\n', s)
  s = replaceCharEntity(s) # 替換實(shí)體
  return s
##替換常用HTML字符實(shí)體.
# 使用正常的字符替換HTML中特殊的字符實(shí)體.
# 你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)體.
# @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全稱，如>
    key = sz.group('name') # 去除&;后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

PS：這里再為大家提供2款非常方便的正則表達(dá)式工具供大家參考使用：

JavaScript正則表達(dá)式在線測(cè)試工具：
http://tools.jb51.net/regex/javascript

正則表達(dá)式在線生成工具：
http://tools.jb51.net/regex/create_reg

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題：《Python正則表達(dá)式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對(duì)大家Python程序設(shè)計(jì)有所幫助。

您可能感興趣的文章: