#-*- coding:utf-8 -*-
import re
##過濾HTML中的標簽
# 將HTML中標簽等信息去掉
# @param htmlstr HTML字符串.
def filter_tags(htmlstr):
  # 先過濾CDATA
  re_cdata = re.compile("http://<!
CDATA\[[>]∗//
\]>", re.I) #匹配CDATA
  re_script = re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>', re.I) # Script
  re_style = re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>', re.I) # style
  re_br = re.compile('<br\s*?/?>') # 處理換行
  re_h = re.compile('</?\w+[^>]*>') # HTML標簽
  re_comment = re.compile('<!--[^>]*-->') # HTML注釋
  s = re_cdata.sub('', htmlstr) # 去掉CDATA
  s = re_script.sub('', s) # 去掉SCRIPT
  s = re_style.sub('', s) # 去掉style
  s = re_br.sub('\n', s) # 將br轉換為換行
  s = re_h.sub('', s) # 去掉HTML 標簽
  s = re_comment.sub('', s) # 去掉HTML注釋
  # 去掉多余的空行
  blank_line = re.compile('\n+')
  s = blank_line.sub('\n', s)
  s = replaceCharEntity(s) # 替換實體
  return s
##替換常用HTML字符實體.
# 使用正常的字符替換HTML中特殊的字符實體.
# 你可以添加新的實體字符到CHAR_ENTITIES中,處理更多HTML字符實體.
# @param htmlstr HTML字符串.
def replaceCharEntity(htmlstr):
  CHAR_ENTITIES = {'nbsp': ' ', '160': ' ',
           'lt': '<', '60': '<',
           'gt': '>', '62': '>',
           'amp': '&', '38': '&',
           'quot': '"''"', '34': '"', }
  re_charEntity = re.compile(r'&#?(?P<name>\w+);')
  sz = re_charEntity.search(htmlstr)
  while sz:
    entity = sz.group() # entity全稱，如>
    key = sz.group('name') # 去除&;后entity,如>為gt
    try:
      htmlstr = re_charEntity.sub(CHAR_ENTITIES[key], htmlstr, 1)
      sz = re_charEntity.search(htmlstr)
    except KeyError:
      # 以空串代替
      htmlstr = re_charEntity.sub('', htmlstr, 1)
      sz = re_charEntity.search(htmlstr)
  return htmlstr
def repalce(s, re_exp, repl_string):
  return re_exp.sub(repl_string, s)
if __name__ == '__main__':
  s = file('test.html').read()
  news = filter_tags(s)
  print news