用于从字符串中删除标记的python扩展。
haufe.stripml的Python项目详细描述
包装haufe.stripml
用于从文本中剥离HTML标记的Python扩展。
这个包简单地从文本中删除类似html的标记 粗暴的态度。它可以很容易地用于将xml或sgml从文本中剥离为 好。它不做任何语法检查。
核心功能是用C++编程语言实现的， 因此比使用sgmlparser或正则表达式 任务。
版权
haufe.stripml是（C）Tobias Rodaebel&haufe Mediengruppe，德国弗莱堡，D-79111
许可证
此软件包在lgpl 3下发布，请参阅license.txt。
安装
使用简易安装：
easy_install haufe.stripml
测试
haufe.stripml可以通过键入：
python setup.py test -m haufe.stripml.tests
学分
感谢Gottfried Ganssauge将其翻译成C++程序设计语言。首先我们要测试stripml方法。
>>> from haufe.stripml import stripml >>> stripml.__doc__ 'stripml(s) -> string'
唯一的参数是一个字符串。
>>> stripml('foo')
'foo'
>>> type(stripml('foo')) == type('')
True
stripml方法也支持unicode
>>> stripml(u'bar') u'bar' >>> type(stripml(u'foo')) == type(u'') True
尝试将整数作为第一个参数。应引发类型错误。
>>> try: ... stripml(10) ... except TypeError, strerror: ... print strerror String or unicode string required.
空脚本
>>> stripml ('<script>')
''
>>> stripml (u'<script>')
u''
>>> stripml ('<script></script>')
''
>>> stripml (u'<script></script>')
u''
尝试一些大型元素名
>>> stripml ('<some-very-long-element-name-longer-than-foreseeable>')
''
>>> stripml (u'<some-very-long-element-name-longer-than-foreseeable>')
u''
现在我们尝试一些愚蠢的HTML
>>> stripml('<b>foo</b>')
'foo'
>>> stripml('foo <i>bar</i>.')
'foo bar.'
>>> stripml('''<font size = 12><b>Really <i>big</i> string
... </b></font>''')
'Really big string\n'
…现在是Unicode。
>>> stripml(u'<b>foo</b>') u'foo' >>> stripml(u'foo <i>bar</i>.') u'foo bar.' >>> stripml(u'''<font size = 12><b>Really <i>big</i> string ... </b></font>''') u'Really big string\n'
有时我们有脚本标记，没有人需要这些内容
>>> stripml('''We have a script in here <script language="JavaScript"
... type="text/javascript">alert('Hello, World!');</script>, dude.''')
'We have a script in here , dude.'
Unicode编码。
>>> stripml(u'''We have a script in here <script language="JavaScript"
... type="text/javascript">alert('Hello, World!');</script>, dude.''')
u'We have a script in here , dude.'
但另一方面，scrip-标签的内容（没有后面的't'） 不应剥离
>>> stripml('<scrip>KEEP THIS</scrip>')
'KEEP THIS'
>>> stripml(u'<scrip>KEEP THIS</scrip>')
u'KEEP THIS'
而且也不应该脚本-标记
>>> stripml('<scripting>KEEP THIS</scripting>')
'KEEP THIS'
>>> stripml(u'<scripting>KEEP THIS</scripting>')
u'KEEP THIS'
- 忘记如何<；/脚本>；-标记
>>> stripml('KEEP <script>DO NOT KEEP THIS</script></script>THIS') 'KEEP THIS' >>> stripml(u'KEEP <script>DO NOT KEEP THIS</script></script>THIS') u'KEEP THIS'
一根更长的绳子。
>>> result = stripml(u'''
... <?xml version="1.0" encoding="utf-8"?>
... <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
... <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en-US" lang="en-US">
... <head>
... <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
... <meta name="generator" content="" />
... <meta name="keywords" content="" />
... <meta name="description" content="" />
... <title>Test document</title>
... <script language="JavaScript" type="text/javascript">
... var foo=1;
... function getFoo() {
... return foo;
... }
... </script>
... </head>
... <body onLoad="alert('Hello, World!');">
... <h1>Test document</h1>
... <p>This document is<br /> <i>only for testing</i>!</p>
... <script>getFoo();</script>
... </body>
... </html>
... ''')
>>> result.strip()
u'Test document\n\n\n\n Test document\n This document is only for testing!'
>>> type(result)
<type 'unicode'>
将通过单个“小于”或“大于”。
>>> stripml(u'<strong>hundred < thousand < million.</strong>')
u'hundred < thousand < million.'
>>> stripml(u'<strong>thousand > hundred.</strong>')
u'thousand > hundred.'
>>> stripml('<strong>hundred < thousand < million.</strong>')
'hundred < thousand < million.'
>>> stripml('<strong>thousand > hundred.</strong>')
'thousand > hundred.'
让我们看看一根很长的绳子是否能处理好。
>>> s = 5000 * u'<p>This is <span>a span within a paragraph.</span><!-- And this is a comment --></p>\n' >>> stripml(s) == 5000 * u'This is a span within a paragraph.\n' True
我们应该看看实体和编码。
>>> stripml(u'In Straße und Überführung haben wir Umlaute.')
u'In Straße und Überführung haben wir Umlaute.'
>>> stripml('In Straße und Überführung haben wir Umlaute.')
'In Straße und Überführung haben wir Umlaute.'
>>> print stripml(u'In Straße und Überführung haben wir Umlaute.').encode('ISO-8859-1') == u'In Straße und Überführung haben wir Umlaute.'.encode('ISO-8859-1')
True
更改
1.2.2（2012-11-07）
- M.Honeck对Visual Studio 2010的支持
1.2.1（2008-03-20）
- 增加了机头测试转轮支持
1.2.0（2007-10-23）
- 首次公开发行。
- 已添加许可证。
欢迎加入QQ群-->： 979659372
