Python使用正则表达式过滤或替换HTML标签的方法详解

Python  /  管理员 发布于 7年前   257

本文实例讲述了Python使用正则表达式过滤或替换HTML标签的方法。分享给大家供大家参考，具体如下：

python正则表达式关键内容:

python正则表达式转义符:

. 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:

*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:
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通过正则表达式去除(过滤)HTML标签示例代码

#-*- 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 htmlstrdef 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：这里再为大家提供2款非常方便的正则表达式工具供大家参考使用：

JavaScript正则表达式在线测试工具：
http://tools..net.cn/regex/javascript

正则表达式在线生成工具：
http://tools..net.cn/regex/create_reg

更多关于Python相关内容可查看本站专题：《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》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。