python去掉html标签

s = ‘<SPAN style="FONT- SIZE: 9pt">开始1~3<SPAN lang=EN-US>& lt;?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /><o:p></o:p></SPAN></SPAN>‘

import re

d = re.sub(‘<[^>]+>‘,‘‘,s)

利用正则式处理，不知道会不会有性能问题，没有经过太多测试。
目前我有很多还是使用BeautifulSoup进行这种处理。
HTML实体处理的只是用于处理一些常用的实体。

 1 # -*- coding: utf-8-*-
 2 import re
 3 ##过滤HTML中的标签
 4 #将HTML中标签等信息去掉
 5 #@param htmlstr HTML字符串.
 6 def filter_tags(htmlstr):
 7 #先过滤CDATA
 8     re_cdata=re.compile(‘//<!\[CDATA\[[^>]*//\]\]>‘,re.I) #匹配CDATA
 9     re_script=re.compile(‘<\s*script[^>]*>[^<]*<\s*/\s*script\s*>‘,re.I)#Script
10     re_style=re.compile(‘<\s*style[^>]*>[^<]*<\s*/\s*style\s*>‘,re.I)#style
11     re_br=re.compile(‘<br\s*?/?>‘)#处理换行
12     re_h=re.compile(‘</?\w+[^>]*>‘)#HTML标签
13     re_comment=re.compile(‘<!--[^>]*-->‘)#HTML注释
14     s=re_cdata.sub(‘‘,htmlstr)#去掉CDATA
15     s=re_script.sub(‘‘,s) #去掉SCRIPT
16     s=re_style.sub(‘‘,s)#去掉style
17     s=re_br.sub(‘\n‘,s)#将br转换为换行
18     s=re_h.sub(‘‘,s) #去掉HTML 标签
19     s=re_comment.sub(‘‘,s)#去掉HTML注释
20 #去掉多余的空行
21     blank_line=re.compile(‘\n+‘)
22     s=blank_line.sub(‘\n‘,s)
23     s=replaceCharEntity(s)#替换实体
24 return s
25
26 ##替换常用HTML字符实体.
27 #使用正常的字符替换HTML中特殊的字符实体.
28 #你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.
29 #@param htmlstr HTML字符串.
30 def replaceCharEntity(htmlstr):
31     CHAR_ENTITIES={‘nbsp‘:‘ ‘,‘160‘:‘ ‘,
32 ‘lt‘:‘<‘,‘60‘:‘<‘,
33 ‘gt‘:‘>‘,‘62‘:‘>‘,
34 ‘amp‘:‘&‘,‘38‘:‘&‘,
35 ‘quot‘:‘"‘,‘34‘:‘"‘,}
36
37     re_charEntity=re.compile(r‘&#?(?P<name>\w+);‘)
38     sz=re_charEntity.search(htmlstr)
39 while sz:
40         entity=sz.group()#entity全称，如&gt;
41         key=sz.group(‘name‘)#去除&;后entity,如&gt;为gt
42 try:
43             htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)
44             sz=re_charEntity.search(htmlstr)
45 except KeyError:
46 #以空串代替
47             htmlstr=re_charEntity.sub(‘‘,htmlstr,1)
48             sz=re_charEntity.search(htmlstr)
49 return htmlstr
50
51 def repalce(s,re_exp,repl_string):
52 return re_exp.sub(repl_string,s)
53
54 if __name__==‘__main__‘:
55     s=file(‘Google.htm‘).read()
56     news=filter_tags(s)
57 print news

输出结果：
Google网页 图片 地图 资讯 视频 财经 更多 博客 生活 热榜 网站导航 日历 照片 文档 协作平台 输入法 工具栏 软件精选 更多 个性化首页 | 登录

from BeautifulSoup import BeautifulSoup

‘‘.join(BeautifulSoup(page).findAll(text=True))

利用正则式处理，不知道会不会有性能问题，没有经过太多测试。
目前我有很多还是使用BeautifulSoup进行这种处理。
HTML实体处理的只是用于处理一些常用的实体。

if __name__==‘__main__‘:
    s=file(‘Google.htm‘).read()
    news=filter_tags(s)
    print news

——————————————————华丽的分割线——————————————————————————

import urllib2,re
x=urllib2.urlopen(‘http://www.csdn.net‘).read()
re_h=re.compile(‘</?\w+[^>]*>‘)
s=re_h.sub(‘‘,x)
print s

在这里只要将所有带<>去除即可：

dr = re.compile(r‘<[^>]+>‘,re.S)

dd = dr.sub(‘‘,Html)

完整的python脚本：

第一个函数：将一个字段中的刮号去除

第二个函数：将html中的所有标签去除

[python] view plaincopy

1. #!/usr/bin/env python
2. # -*- coding:utf-8 -*-
3. import MySQLdb
4. import sys
5. import re
6. conn = MySQLdb.connect(host=‘127.0.0.1‘,user=‘user‘,passwd=‘123456‘,db=‘hospital‘,charset=‘utf8‘)
7. cur = conn.cursor()
8. def update_level():
9. cur.execute("SELECT id,level FROM hospital where level like ‘(%)‘")
10. for row in cur.fetchall():
11. sid=row[0]
12. ii=re.sub(‘|‘,‘‘,row[1])
13. sql = "update hospital set level=%s where id=%s"
14. print sid,ii
15. param = [ii,sid]
16. cur.execute(sql,param)
17. def update_detail():
18. dr = re.compile(r‘<[^>]+>‘,re.S)
19. cur.execute("SELECT id,details FROM hospital")
20. for row in cur.fetchall():
21. did = row[0]
22. detail=row[1]
23. dd = dr.sub(‘‘,detail)
24. sql="update hospital set details=%s where id=%s"
25. param = (dd,did)
26. cur.execute(sql,param)
27. print "Finished",did
28. def main():
29. #update_level()
30. update_detail()
31. if __name__ == ‘__main__‘:
32. main()