python 如何过滤 HTML标签？

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

This topic created in 5283 days ago, the information mentioned may be changed or developed.

Python

HTML

标签

17 replies • 1970-01-01 08:00:00 +08:00

wong2

May 21, 2012

这个一搜很多吧，比如： http://stackoverflow.com/questions/753052/strip-html-from-strings-in-python

VeryCB

May 21, 2012

HTMLParser http://docs.python.org/library/htmlparser.html
lxml http://lxml.de/

VeryCB

May 21, 2012

BeautifulSoup http://www.crummy.com/software/BeautifulSoup/

lackrp

May 21, 2012

过滤是指要去掉么？

import re
pattern = re.compile(r'<.*?>')
pattern.sub('', html)

gee

May 21, 2012

@VeryCB 你说得一点都不靠谱吧...你给的都是解析html的...

phuslu

May 21, 2012

python readability

VeryCB

May 21, 2012

@gee 初学者...过滤不是把Html标签去掉然后提取内容么？

eric_q

May 21, 2012

我……我还是想用shell

gee

May 21, 2012

@VeryCB 问题是不了解具体的html结构啊。当然了，用PyQuery直接取全体的text()也可以，但是有点绕路了

TheC

May 21, 2012

@lackrp 你这哪里是过滤html标签，误伤也太大了

lackrp

May 21, 2012

@TheC 正确的html的话，这样应该不会误伤啊

eerie

May 21, 2012

http://pypi.python.org/pypi/MarkupSafe

TheC

May 21, 2012

@lackrp 仔细想想确实是，抱歉刚才回的太快了，理所当然觉得除了html标签还有其他被<>包括的文本了：）

tioover

May 21, 2012

@lackrp 额。我的意思是过滤掉诸如<sript><iframe>之类的标签只允许一些安全的标签，为了安全……

cute

May 22, 2012

@tioover

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup('<html><p>abc</p><script></script><br />abc</html>')
for tag in soup.recursiveChildGenerator():
.... if hasattr(tag, 'name') and tag.name in ['script', 'iframe']:
........tag.extract()
print soup.renderContents('utf-8')

leiz

May 22, 2012

@tioover

如果只是过滤部分标签，干嘛不直接穷举好了?

magicshui

May 22, 2012

BeautifulSoup感觉简单些～