python對(duì)html過(guò)濾處理的方法
更新時(shí)間:2018年10月21日 15:33:39 作者:striverpan
今天小編就為大家分享一篇python對(duì)html過(guò)濾處理的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
如下所示:
##過(guò)濾HTML中的標(biāo)簽 #將HTML中標(biāo)簽等信息去掉 #@param htmlstr HTML字符串. def filter_tags(htmlstr): #先過(guò)濾CDATA re_cdata=re.compile('//<!\[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?yè)Q行 re_h=re.compile('</?\w+[^>]*>')#HTML標(biāo)簽 re_comment=re.compile('<!--[^>]*-->')#HTML注釋 re_stopwords=re.compile('\u3000')#去除無(wú)用的'\u3000'字符 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(zhuǎn)換為換行 s=re_h.sub('',s) #去掉HTML 標(biāo)簽 s=re_comment.sub('',s)#去掉HTML注釋 s=re_stopwords.sub('',s) #去掉多余的空行 blank_line=re.compile('\n+') s=blank_line.sub('\n',s) s=replaceCharEntity(s)#替換實(shí)體 return s ##替換常用HTML字符實(shí)體. #使用正常的字符替換HTML中特殊的字符實(shí)體. #你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)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(chēng),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
以上這篇python對(duì)html過(guò)濾處理的方法就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
Python利用matplotlib實(shí)現(xiàn)動(dòng)態(tài)可視化詳解
Python中的數(shù)據(jù)可視化是指原始數(shù)據(jù)的圖形表示,以更好地可視化、理解和推理,Python提供了各種庫(kù),包含用于可視化數(shù)據(jù)的不同特性,下面我們就來(lái)看看如何利用matplotlib實(shí)現(xiàn)動(dòng)態(tài)可視化吧2023-08-08解決django migrate報(bào)錯(cuò)ORA-02000: missing ALWAYS keyword
這篇文章主要介紹了解決django migrate報(bào)錯(cuò)ORA-02000: missing ALWAYS keyword,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-07-07Python 正則表達(dá)式入門(mén)(初級(jí)篇)
本文主要為沒(méi)有使用正則表達(dá)式經(jīng)驗(yàn)的新手入門(mén)所寫(xiě)。由淺入深介紹了Python 正則表達(dá)式,有需要的朋友可以看下2016-12-12利用python GDAL庫(kù)讀寫(xiě)geotiff格式的遙感影像方法
今天小編就為大家分享一篇利用python GDAL庫(kù)讀寫(xiě)geotiff格式的遙感影像方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-11-11Python中join函數(shù)簡(jiǎn)單代碼示例
這篇文章主要介紹了Python中join函數(shù)簡(jiǎn)單代碼示例,具有一定借鑒價(jià)值,需要的朋友可以參考下2018-01-01