从 Python 中的 unicode 字符串中删除 HTML 标签答案

【问题标题】：Removing HTML tags from a unicode string in Python从 Python 中的 unicode 字符串中删除 HTML 标签
【发布时间】：2011-03-14 13:17:14
【问题描述】：

我有一个强大的，我从一个 XML 文件中抓取，它包含一些 HTML 格式标记

(<b>, <i>, etc)

有没有一种快速简便的方法可以从文本中删除所有这些标签？

我试过了

str = str.replace("<b>","")

并多次将其应用于其他标签，但这不起作用

【问题讨论】：

请不要使用str作为变量名。
马克，我不是，我只是为示例输入的

标签： python html string unicode replace

【解决方案1】：

以下是如何使用BeautifulSoup 模块仅替换部分标签，而只保留 HTML 的其余部分：

from BeautifulSoup import BeautifulSoup, NavigableString

def strip_tags(html, invalid_tags):
  soup = BeautifulSoup(html)
  for tag in soup.findAll(True):
    if tag.name in invalid_tags:
      s = ""
      for c in tag.contents:
        if type(c) != NavigableString:
          c = strip_tags(unicode(c), invalid_tags)
        s += unicode(c)
      tag.replaceWith(s)
  return soup

html = "<p>Good, <b>bad</b>, and <i>ug<b>l</b><u>y</u></i></p>"
invalid_tags = ['b', 'i', 'u']
print strip_tags(html, invalid_tags)

结果：

<p>Good, bad, and ugly</p>

【讨论】：

【解决方案2】：

使用 lxml.html：

lxml.html.fromstring(s).text_content()

这会剥离所有标签并将所有实体转换为其对应的字符。

【讨论】：

谢谢！我得到 AttributeError: 'module' object has no attribute 'html' 当我尝试这个时

【解决方案3】：

答案取决于您的确切需求。你可以看看正则表达式。但如果你想清理坏的 xml 或 html，我建议你使用http://www.crummy.com/software/BeautifulSoup/。

【讨论】：

听起来他不想解析任何 html，只是将其全部剥离，这样他就剩下纯文本（有点像 innerHTML 函数）。
斯蒂芬，你是对的。我不是在尝试解析字符串，我只是想删除 HTML 格式（我想完全删除中的任何内容）
糟糕，我指的是 innerText 属性，而不是“innerHTML 函数”
如果没有更复杂的解析，您将无法“仅”删除 HTML 格式。对于一些简单的样本可能是可行的，但对于复杂的样本则不是。