Python正則獲取、過濾或者替換HTML標(biāo)簽的方法

本文實例介紹了Python通過正則表達式獲取,去除(過濾)或者替換HTML標(biāo)簽的幾種方法，具體內(nèi)容如下
python正則表達式關(guān)鍵內(nèi)容:
python正則表達式轉(zhuǎn)義符:    
. 匹配除換行符以外的任意字符
\w 匹配字母或數(shù)字或下劃線或漢字
\s 匹配任意的空白符
\d 匹配數(shù)字
\b 匹配單詞的開始或結(jié)束
^ 匹配字符串的開始
$ 匹配字符串的結(jié)束
\W 匹配任意不是字母，數(shù)字，下劃線，漢字的字符
\S 匹配任意不是空白符的字符
\D 匹配任意非數(shù)字的字符
\B 匹配不是單詞開頭或結(jié)束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou這幾個字母以外的任意字符

常用的python正則表達式限定符代碼/語法說明:
    
*重復(fù)零次或更多次
+重復(fù)一次或更多次
?重復(fù)零次或一次
{n}重復(fù)n次
{n,}重復(fù)n次或更多次
{n,m}重復(fù)n到m次

關(guān)于python正則表達式命名組:
    
命名組:(?P<name>.....)
這篇文章里面還提到了界定( 問號開頭,前向則有個'<'號,非則有個'!' 號 ):
前向界定 (?<=…)
后向界定 (?=…)
前向非界定 (?<!....)
后向非界定 (?!.....)

Python通過正則表達式獲取,去除(過濾)或者替換HTML標(biāo)簽代碼舉例

1、Python通過正則表達式取html中天氣信息代碼示例:    
#!/usr/bin/env python
#-*- coding: utf8 -*-
import re
   
html = """
  <h2>多云</h2>
"""
   
if __name__ == '__main__':
  p = re.compile('<[^>]+>')
  print p.sub("", html)
Python通過正則表達式取html中溫度信息代碼示例:
#!/usr/bin/env python
#-*- coding: utf8 -*-
import re
   
html = """
  <div class="w-number"> <span class="tpte">14℃</span> </div>
"""
   
if __name__ == '__main__':
  p = re.compile('<[^>]+>')
  print p.sub("", html)

2、Python通過正則表達式去除(過濾)HTML標(biāo)簽示例代碼:    
# -*- coding: utf-8-*-
import re
##過濾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*?/?>')#處理換行
  re_h=re.compile('</?\w+[^>]*>')#HTML標(biāo)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(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
  #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('169it.com_index.htm').read()
  news=filter_tags(s)
  print news
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助。