从python中的字符串中删除所有Html内容答案

【问题标题】：Remove all the Html content from a string in python从python中的字符串中删除所有Html内容
【发布时间】：2018-08-01 22:21:39
【问题描述】：

我想从字符串中删除所有 HTML 内容。

我有一个字符串

str= "I am happy with <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> 3333  <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> your code"

我想要最后的字符串 str= "I am happy with 3333 your code"

我已经编写了这段代码来完成上述任务。

def removetags(input_str):
    result = ''
    startflag = 0
    start=True
    count=0
    for ch in input_str:
        if ch == '<':
            if count!=len(input_str)-1:
                if input_str[count+1]!='/':
                    start=True
                    startflag += 1


        elif (ch == '>') and startflag :
            if not start:
                startflag -= 1
            start=False

        elif (not startflag) :
            result += ch

        count += 1

    return result

print(removetags(str))

这可以正常工作，但如果您在文本中有<，那么它将无法正确输出。所以我想使用 html 解析来删除。有没有办法做到这一点？我找到了这个库，但我找不到这样做的方法。提前致谢。

【问题讨论】：

标签： python html parsing jira preprocessor

【解决方案1】：

from html.parser import HTMLParser

str = "I am happy with <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> 3333 > <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> your code"

class MyHTMLParser(HTMLParser):
    got_html_in_tags = False
    html_free_text = []

    def handle_starttag(self, tag, attrs):
        self.got_html_in_tags = True

    def handle_endtag(self, tag):
        self.got_html_in_tags = False

    def handle_data(self, data):
        if not self.got_html_in_tags:
            self.html_free_text.append(data)


parser = MyHTMLParser()
parser.feed(str)
print("".join(parser.html_free_text))

这将打印I am happy with 3333 your code，即使文本中有“>”或“”

【讨论】：

如何将其作为最终字符串？ @坚果
它正在工作，但我想要一个变量的最终字符串 a=parser.feed(str) 不起作用？我认为它没有返回字符串。 @坚果
@Sathiyakugan parser.feed(str) 不返回任何内容。如果你想获取 html，你应该调用 parser.html_free_text - 它返回没有标签的行列表
它说 AttributeError: 'MyHTMLParser' object has no attribute 'html_free_text' @Nuts
@Sathiyakugan 复制代码示例然后...我更新了代码

【解决方案2】：

另一个re解决方案：

re.sub(r'(<(?P<tag>[a-zA-Z0-9]+)>.*?</(?P=tag)>)', '', string)

测试：

>>> re.sub(r'(<(?P<tag>[a-zA-Z0-9]+)>.*?</(?P=tag)>)', '', string)
'I am happy with  3333   your code'
>>> string = "I am happy with <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> 3333 > <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> your code"
>>> re.sub(r'(<(?P<tag>[a-zA-Z0-9]+)>.*?</(?P=tag)>)', '', string)
'I am happy with  3333 >  your code'
>>> string = "I am <a happy with <body> </body> lal"
>>> re.sub(r'(<(?P<tag>[a-zA-Z0-9]+)>.*?</(?P=tag)>)', '', string)
'I am <a happy with  lal'

【讨论】：

【解决方案3】：

您可以为此使用正则表达式库，

import re
str= "I am happy with <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> 3333  <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> your code"
comp = re.compile(r'<([\w]+)[^>]*>(.*?)<\/\1>')
data = re.sub(comp, '', str)
print(data)

可能是这个帮助

【讨论】：

这给出了字符串“我对你的代码很满意”。这不包括“3333”，因此不应错过该部分。我只想要一个 HTML 解析器的方法来删除它。

【解决方案4】：

让我们递归地做这个;)

基本情况 1：当文本为空字符串时，
返回一个空字符串

基本情况 2：当文本的第一个字母是插入符号时，
搜索结束标记并在结束标记后返回剩余文本的函数调用。

def remove_tags(text, tags=[]):
  if text == '':
    return text

  if text[0] == '<':
    closing_caret_pos = text.find('>')
    tag = text[0:closing_caret_pos+1]
    is_open_tag = '/' not in tag
    is_close_tag = not is_open_tag
    is_valid_tag = tag[1:-1].isalpha() or tag[2:-1].isalpha()

    if is_valid_tag and is_open_tag:
      tags.append(tag)
      return remove_tags(text[1:], tags)
    if is_valid_tag and is_close_tag:
      tags.pop()
      return remove_tags(text[len(tag):], tags)

  if len(tags) != 0: # when an open tag exists keeping looking
    return remove_tags(text[1:], tags)

  return text[0] + remove_tags(text[1:], tags)

测试运行：

text = "I am happy with <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> 3333  <body> <h1>This is a Heading</h1>  <p>This is a paragraph.</p> </body> your code"
print(remove_tags(text))
>
I am happy with  3333   your code

text = "x<=1 <div> cookies </div>"
print(remove_tags(text))
>
x<=1 

text = "I am <a happy with <body> </body> lal"
print(remove_tags(text))
>
I am <a happy with  lal

【讨论】：

不适用于字符串I am <a happy with <body> </body> lal
不应该。您的示例不是有效的标记。 OP 没有提及非结构化标记，我猜想处理这样的示例可能需要标记解析器
有效。我的html中可能有数学问题x<=1 <div> cookies </div>