python对html过滤处理的方法
如下所示:
##过滤HTML中的标签 #将HTML中标签等信息去掉 #@paramhtmlstrHTML字符串. deffilter_tags(htmlstr): #先过滤CDATA re_cdata=re.compile('//]*//\]\]>',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('
')#处理换行 re_h=re.compile('?\w+[^>]*>')#HTML标签 re_comment=re.compile('')#HTML注释 re_stopwords=re.compile('\u3000')#去除无用的'\u3000'字符 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 s=re_stopwords.sub('',s) #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 returns ##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. #@paramhtmlstrHTML字符串. defreplaceCharEntity(htmlstr): CHAR_ENTITIES={'nbsp':'','160':'', 'lt':'<','60':'<', 'gt':'>','62':'>', 'amp':'&','38':'&', 'quot':'"','34':'"',} re_charEntity=re.compile(r'?(?P\w+);') sz=re_charEntity.search(htmlstr) whilesz: 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) exceptKeyError: #以空串代替 htmlstr=re_charEntity.sub('',htmlstr,1) sz=re_charEntity.search(htmlstr) returnhtmlstr
以上这篇python对html过滤处理的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。