从字符串中删除 HTML 标记的 Python 代码 [重复]

Question

我有这样的文字：

text = """<div>
<h1>Title</h1>
<p>A long text........ </p>
<a href=""> a link </a>
</div>"""

使用纯 Python，没有外部模块我想要这个：

>>> print remove_tags(text)
Title A long text..... a link

我知道我可以使用 lxml.html.fromstring(text).text_content() 来做到这一点，但我需要在纯 Python 中使用 2.6+ 的内置或 std 库来实现相同的目标

我该怎么做？

Answer 1

使用正则表达式

使用正则表达式，您可以清理 <> 中的所有内容：

import re
# as per recommendation from @freylis, compile once only
CLEANR = re.compile('<.*?>') 

def cleanhtml(raw_html):
  cleantext = re.sub(CLEANR, '', raw_html)
  return cleantext

某些 HTML 文本还可以包含未括在括号中的实体，例如“&nsbm”。如果是这种情况，那么您可能希望将正则表达式编写为

CLEANR = re.compile('<.*?>|&([a-z0-9]+|#[0-9]{1,6}|#x[0-9a-f]{1,6});')

此link 包含有关此的更多详细信息。

使用 BeautifulSoup

您也可以使用BeautifulSoup 附加包来查找所有原始文本。

调用 BeautifulSoup 时需要显式设置解析器 我推荐"lxml"，正如替代答案中提到的那样（比默认答案（html.parser）更强大（即无需额外安装即可使用）。

from bs4 import BeautifulSoup
cleantext = BeautifulSoup(raw_html, "lxml").text

但这并不妨碍你使用外部库，所以我推荐第一种解决方案。

编辑：要使用lxml，您需要pip install lxml。

Answer 2

Python 有几个内置的 XML 模块。对于您已经有一个包含完整 HTML 的字符串的情况，最简单的一个是 xml.etree，它的工作方式（有点）类似于您提到的 lxml 示例：

def remove_tags(text):
    return ''.join(xml.etree.ElementTree.fromstring(text).itertext())

Answer 3

请注意，这并不完美，因为如果您有类似 <a title=">"> 之类的东西，它会损坏。但是，它是非库 Python 中最接近的，没有真正复杂的函数：

import re

TAG_RE = re.compile(r'<[^>]+>')

def remove_tags(text):
    return TAG_RE.sub('', text)

但是，正如 lvc 提到的，xml.etree 在 Python 标准库中可用，因此您可能只需将其调整为像您现有的 lxml 版本一样提供服务：

def remove_tags(text):
    return ''.join(xml.etree.ElementTree.fromstring(text).itertext())

Answer 4

在任何类 C 语言中都有一个简单的方法。该风格不是 Pythonic，而是适用于纯 Python：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c

    return out

这个想法基于一个简单的有限状态机，在这里有详细解释：http://youtu.be/2tu9LTDujbw

你可以在这里看到它的工作原理：http://youtu.be/HPkNPcYed9M?t=35s

PS - 如果你对课程感兴趣（关于使用 python 进行智能调试）我给你一个链接：https://www.udacity.com/course/software-debugging--cs259。免费！

Answer 5

global temp

temp =''

s = ' '

def remove_strings(text):

    global temp 

    if text == '':

        return temp

    start = text.find('<')

    end = text.find('>')

    if start == -1 and end == -1 :

        temp = temp + text

    return temp

newstring = text[end+1:]

fresh_start = newstring.find('<')

if newstring[:fresh_start] != '':

    temp += s+newstring[:fresh_start]

remove_strings(newstring[fresh_start:])

return temp