如何消除html标记？

2024-09-27 00:14:32 发布

您现在位置：Python中文网/ 问答频道 /正文
9406 3

我从页面中得到第一段，并试图提取适合作为标签或关键字的单词。在某些段落中有链接，我想删除标记：

例如，如果文本是

A <b>hex triplet</b> is a six-digit, three-<a href="/wiki/Byte"
enter code heretitle="Byte">byte</a> ...

我想移除

^{pr2}$

以这个结束

^{3}$

这样的正则表达式不起作用：

>>> text = """A <b>hex triplet</b> is a six-digit, three-<a href="/wiki/Byte"
    enter code heretitle="Byte">byte</a> ..."""
>>> f = re.findall(r'<.+>', text)
>>> f
['<b>hex triplet</b>', '</a>']
>>>

最好的办法是什么？在

我发现了几个类似的问题，但我认为没有一个能解决这个问题。在

使用beauthoulsoup extract示例更新（extract删除包含其文本的标记，并且必须分别为每个标记运行：

>>> soup = BeautifulSoup(text)
>>> [s.extract() for s in soup('b')]
[<b>hex triplet</b>]
>>> soup
A  is a six-digit, three-<a href="/wiki/Byte" enter code heretitle="Byte">byte</a> ...
>>> [s.extract() for s in soup('a')]
[<a href="/wiki/Byte" enter code heretitle="Byte">byte</a>]
>>> soup
A  is a six-digit, three- ...
>>>

更新

对于有相同问题的人：正如brendanlong所说，this answer使用HtmlParser效果最好。在


Tags： iswikicodeextractbytethreehrefenter
3条回答
网友
1楼 · 编辑于 2024-09-27 00:14:32

+量词是贪婪的，这意味着它将找到最长的匹配。添加一个?以强制它找到最短的匹配项：

>>> re.findall(r'<.+?>', text)
['<b>', '</b>', '</a>']

编写regex的另一种方法是显式地排除标记内的右尖括号，使用[^>]而不是.。在

^{pr2}$

这种方法的一个优点是它还将匹配换行符（\n）。如果添加^{}标志，.也可以得到相同的行为。在

>>> re.findall(r'<.+?>', text, re.DOTALL)
['<b>', '</b>', '<a href="/wiki/Byte"\n    enter code heretitle="Byte">', '</a>']

要去掉标记，请使用re.sub：

>>> re.sub(r'<.+?>', '', text, flags=re.DOTALL)
'A hex triplet is a six-digit, three-byte ...'
网友
2楼 · 编辑于 2024-09-27 00:14:32

这只是剥离标签的基本元素。包括缺少的元素，
下面的\w表示带前缀和正文的限定unicode标记名，
它需要一个join（）语句来形成子表达式。解析的优点
使用regex的html/xml不会在第一个格式错误的实例上失败，这
使它非常适合修理它！缺点是速度慢，尤其是
使用unicode。在

不幸的是，剥离标记会破坏内容，因为根据定义，标记 格式化内容。在

在一个大网页上试试这个。这应该可以翻译成python。在

$rx_expanded = '
<
(?:
    (?:
       (?:
           (?:script|style) \s*
         | (?:script|style) \s+ (?:".*?"|\'.*?\'|[^>]*?)+\s*
       )> .*? </(?:script|style)\s*
    )
  |
    (?:
        /?\w+\s*/?
      | \w+\s+ (?:".*?"|\'.*?\'|[^>]*?)+\s*/?
      | !(?:DOCTYPE.*?| .*? )
    )
)
>
';

$html =~ s/$rx_expanded/[was]/xsg;
网友
3楼 · 编辑于 2024-09-27 00:14:32

Beautiful Soup就是你问题的答案！试试看，真是太棒了！在

一旦使用了Html解析，它就会变得非常简单。在

>>> text = """A <b>hex triplet</b> is a six-digit, three-<a href="/wiki/Byte"
... enter code heretitle="Byte">byte</a> ..."""
>>> soup = BeautifulSoup(text)
>>> ''.join(soup.findAll(text=True))
u'A hex triplet is a six-digit, three-byte ...'

如果要提取的所有文本都包含在一些外部标记中，例如<body> ... </body>或某些{}，那么可以执行以下操作（本图假设您要提取的所有文本都包含在<body>标记中）。现在，您可以选择性地从一些所需的标记中提取文本。在

（查看文档和示例，您会发现许多解析DOM的方法）

^{pr2}$

相关问题 更多 >

    编程相关推荐

    热门问题