随意观看

工具准备

  • python3.6
  • 正则表达式(别的语言思路一样，容易借鉴)

python正则表达式：flags的应用

这里主要介绍一下re.compile(pattern[, flags])里面的flags用法

标识符 作用
re.I 忽略大小写
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M 多行模式
re.S ' . '并且包括换行符在内的任意字符（注意：' . '不包括换行符）
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库

特别强调re.I和re.S的用法

  1. 众所周知，html标签是大小写不敏感的，所以我们需要re.I
  2. 其次html中<style>..</style>、<sript>..</scipt>等一些标签里面是包含换行符的。而我们为了保留原来文本的特点包括换行符，所以需要re.S。让.可以匹配换行符

清洗全角和半角字符

实现字符的清洗工作，否则，jieba词库会将全角数字全部分开。而且，清洗后的半角文本更适合观看

小姿势

中文文字永远是全角，只有英文字母、数字键、符号键才有全角半角的概念,一个字母或数字占一个汉字的位置叫全角，占半个汉字的位置叫半角

全角半角转换说明

  1. 全角字符unicode编码从65281~65374 （十六进制 0xFF01 ~ 0xFF5E）
  2. 半角字符unicode编码从33~126 （十六进制 0x21~ 0x7E）
  3. 空格比较特殊，全角为 12288（0x3000），半角为 32（0x20）

代码实现

def Q2B(_char):#全角转半角

    if 65281<=ord(_char)<=65374:

        _char = chr(ord(_char)-65248)

    elif ord(_char)==12288:

        _char = chr(32)

    return _char

def isQ(Char):

    return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else False

def B2Q(_char):#半角转全角

    if 33<=ord(_char)<=126:

        _char = chr(ord(_char)+65248)

    elif ord(_char)==32:

        _char = chr(12288)

    return _char

def isB(Char):

    return True if (33<=ord(Char)<=126 or ord(Char)==32) else False

网页字符实体

标准的html代码中的文本内容是不会出现'<'/' '等这些字符的。现在很多工具都会将网页文本内容处理成标准形式再发布。我们这里讨论的就是标准的html代码及文本内容

html字符实体查询地址

为了方便讨论，我们这里取了几个常用的作为示范，并且构造以下dict

html_char = {}

html_char['&quot;'] = html_char['"']='"'

html_char['&apos;'] = html_char['''] = "'"

html_char['&amp;'] = html_char['&'] = '&'

html_char['&lt;'] = html_char['<'] = '<'

html_char['&gt;'] = html_char['>'] = '>'

html_char['&nbsp;'] = html_char[' ']= ' '

Code实现

难点重点就在这里，做了很多准备工作，幸好python比较方便，其他语言的玩家可以借鉴一下思路

正则Code实现去标签[1]

    ...

    #CDATA 部分由 "<![CDATA[" 开始，由 "]]>" 结束：

    cdata_rule = re.compile(r'<![CDATA[.*]]>',re.I | re.S)

    #去除脚本（随时会出现）

    script_rule = re.compile(r'<script.*?</script>',re.I | re.S)

    #取出<head>..</head>和中间的内容，style也在里面，不需要再写了

    head_rule = re.compile(r'<head.*?/head>',re.I | re.S)

    #为了以防一些文本不是全部截取html代码，还是写一下以防万一

    style_rule = re.compile(r'<style.*?/style>',re.I | re.S)

    #处理注释

    comment_rule = re.compile(r'<!.*?>',re.I | re.S)

    #处理换行

    br_rule = re.compile(r'<br\s*?/{0,1}>',re.I)

    #html标签

    html_rule = re.compile(r'<.*?/{0,1}>',re.I)

    ...

正则Code实现去字符实体

    ...

    global html_char

    letter_char = re.compile(r'&[a-z]+;',re.I)

    for char in letter_char.findall(raw):

        raw = re.sub(char,html_char[char],raw)

    number_char = re.compile(r'&#\d+;',re.I)

    for char in number_char.findall(raw):

        raw = re.sub(char,html_char[char],raw)

    ...

全部代码（含测试文本）

import re

html_char = {}

html_char['&quot;'] = html_char['"']='"'

html_char['&apos;'] = html_char['''] = "'"

html_char['&amp;'] = html_char['&'] = '&'

html_char['&lt;'] = html_char['<'] = '<'

html_char['&gt;'] = html_char['>'] = '>'

html_char['&nbsp;'] = html_char[' ']= ' '

def Q2B(_char):#全角转半角

    if 65281<=ord(_char)<=65374:

        _char = chr(ord(_char)-65248)

    elif ord(_char)==12288:

        _char = chr(32)

    return _char

def isQ(Char):

    return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else False

def B2Q(_char):#半角转全角

    if 33<=ord(_char)<=126:

        _char = chr(ord(_char)+65248)

    elif ord(_char)==32:

        _char = chr(12288)

    return _char

def isB(Char):

    return True if (33<=ord(Char)<=126 or ord(Char)==32) else False

#定义一个装饰器，可有可无

def log(clean_html):

    def info(*args, **kw):

        print("The text after processing:")

        return clean_html(*args, **kw)

    return info

@log

def clean_html(html_str,special_char=None,to_char=None):

    #这里留个接口，处理特殊字符串

    if special_char:

        special_rule = re.compile('|'.join(set(special_char)))

        if not to_char:

            to_char = ''

    #CDATA 部分由 "<![CDATA[" 开始，由 "]]>" 结束：

    cdata_rule = re.compile(r'<![CDATA[.*]]>',re.I | re.S)

    #去除脚本（随时会出现）

    script_rule = re.compile(r'<script.*?</script>',re.I | re.S)

    #取出<head>..</head>和中间的内容，style也在里面，不需要再写了

    head_rule = re.compile(r'<head.*?/head>',re.I | re.S)

    #为了以防一些文本不是全部截取html代码，还是写一下以防万一

    style_rule = re.compile(r'<style.*?/style>',re.I | re.S)

    #处理注释

    comment_rule = re.compile(r'<!.*?>',re.I | re.S)

    #处理换行

    br_rule = re.compile(r'<br\s*?/{0,1}>',re.I)

    #html标签

    html_rule = re.compile(r'<.*?/{0,1}>',re.I)

    if special_char:

        raw = special_rule.sub(to_char,html_str)

    else:

        raw = html_str

    raw = cdata_rule.sub('',raw)

    raw = script_rule.sub('',raw)

    raw = head_rule.sub('',raw)

    raw = style_rule.sub('',raw)

    raw = comment_rule.sub('',raw)

    raw = br_rule.sub('\n',raw)

    raw = html_rule.sub('',raw)

    global html_char

    letter_char = re.compile(r'&[a-z]+;',re.I)

    for char in letter_char.findall(raw):

        raw = re.sub(char,html_char[char],raw)

    number_char = re.compile(r'&#\d+;',re.I)

    for char in number_char.findall(raw):

        raw = re.sub(char,html_char[char],raw)

    raw_list = list(raw)

    for i in range(len(raw_list)):

        if isQ(raw_list[i]):

            raw_list[i] = Q2B(raw_list[i])

    raw = ''.join(raw_list)

    return raw

def test():

    test_html = """

    <div id="sidebar">

    <div id="tools">

    <h5 id="tools_example"><a href="/example/xmle_examples.asp">&nbsp;XML 实例,特殊字符：１５（处理之后应该没有了）</a></h5>

    <h5 id="tools_quiz"><a href="/xml/xml_quiz.asp"><XML 测验&gt;</a></h5>

    <h3>'ｖｅｖｅｖ'</h3>

    </div>

    <div id="ad">

    <script type="text/javascript"><!--

    google_ad_client = "ca-pub-3381531532877742";

    /* sidebar-160x600 */

    google_ad_slot = "3772569310";

    google_ad_width = 160;

    google_ad_height = 600;

    //-->

    </script>

    <script type="text/javascript"

    src="http://pagead2.googlesyndication.com/pagead/show_ads.js">

    </script>

    </div>

    </div>

    """

    print(clean_html(test_html,'】１５'))

if __name__=='__main__':

    test()

进一步

其他脚本引用

在python的其他程序中，可以直接from clean_html import clean_html进行方便的调用(假设这个脚本名字为clean_html.py)

完善

  1. 补充字符实体(可以用爬虫爬下来，有空弄一下)
  2. html标签可能因为前端框架不同而有所差异（虽然不大）。但是都有规律，如<Vue>..</Vue>等，有规律，正则表达式就容易构建了

  1. 代码备注以标明作用 ↩︎

自己动手实现html去标签和文本提取的更多相关文章

  1. 用Ueditor存入数据库带HTML标签的文本，从数据库取出来后，anjular用ng-bind-html处理带HTML标签的文本

    ng.module('index-filters', []) .filter('trustHtml', function ($sce) { return function (input) { retu ...

  2. pre标签内文本自动换行

    pre标签内文本自动换行 给pre标签添加一个css样式 pre { white-space: pre-wrap; /* css-3 */ white-space: -moz-pre-wrap; /* ...

  3. jQuery-对标签元素 文本操作-属性操作-文档的操作

    一.对标签元素文本操作 1.1 对标签中内容的操作 // js var div1 = document.getElementById("div1"); div1.innerText ...

  4. [Swift通天遁地]二、表格表单-(11)创建星期选项表单和拥有浮动标签的文本框

    ★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★★➤微信公众号:山青咏芝(shanqingyongzhi)➤博客园地址:山青咏芝(https://www.cnblogs. ...

  5. 实验一　HTML基本标签及文本处理

    实验一 HTML基本标签及文本处理 [实验目的] 1．掌握利用因特网进行信息游览.搜索,下载网页.图片.文字和文件: 2．对给定的网站,能指出网站的链接结构.目录结构.页面布局方式: 3．掌握HTML ...

  6. R语言与医学统计图形-【16】ggplot2几何对象之标签与文本

    ggplot2绘图系统--添加标签与文本.数学表达式.条形图文本.注释 1. 文本与标签添加 geom_label的文本将以标签形式出现,即文本会带有一个背景色. geom_text则是纯文本形式展示 ...

  7. POI教程之第二讲：创建一个时间格式的单元格，处理不同内容格式的单元格，遍历工作簿的行和列并获取单元格内容，文本提取

    第二讲 1.创建一个时间格式的单元格 Workbook wb=new HSSFWorkbook(); // 定义一个新的工作簿 Sheet sheet=wb.createSheet("第一个 ...

  8. R+OCR︱借助tesseract包实现图片文本提取功能

    2016年11月,Jeroen Ooms在CRAN发布了tesseract包,实现了R语言对简单图片的文本提取.分析功能. 利用开源OCR引擎进行图片处理,目前可以识别超过100种语言,R语言可以借助 ...

  9. lucene索引查看工具luke和文本提取工具Tika

    luke可以方便的查看lucene的索引信息,当然也可以查看solr和es中的索引信息(基于lucene实现). 查看索引前,要注意lucene版本的问题,高版本的lucene用低版本的luke工具就 ...

随机推荐

  1. 【linux】安装samba服务

    学习linux一般是在虚拟机中进行,这样就需要你在windows与linux虚拟机中切换,Samba是很好的共享服务 下面是在汇文培训时宋老师写的配置samba的过程,很容易就能配置成功.还有一些视频 ...

  2. html 初始化

    //  html 初始化 <!DOCTYPE html><html lang="en"><head> <meta charset=&quo ...

  3. 《分布式Java应用之基础与实践》读书笔记一

    分布式Java应用的体系结构知识简单分为: 网络通信:包括协议和IO 消息方式的系统间通信:包括基于Java包.基于开源框架.性能角度 远程调用方式的系统间通信:包括基于Java包.基于开源框架.性能 ...

  4. Centos 7 安装mysql后出现 ERROR 2002 (HY000)解决方案

    Centos 7 安装mysql后出现 ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/var/lib ...

  5. 永久设置mysql中文乱码问题

    1.进入mysql的命令窗口 输入 show variables like '%char%'; 查看当前编码是否为UTF-8 2.在上述命令的结果中我们可以看到Wamp的安装目录,找到这一目录,在里面 ...

  6. [进程管理]Linux进程状态解析之R、S、D

    Linux是一个分时操作系统,能够在一个cpu上运行多个程序,每个被运行的程序实例对应一个或多个进程,这里介绍一下Linux进程状态. Linux是一个多用户,多任务的系统,可以同时运行多个用户的多个 ...

  7. Lambda表达式和Lambda表达式树

    LINQ的基本功能就是创建操作管道,以及这些操作需要的任何状态. 为了富有效率的使用数据库和其他查询引擎,我们需要一种不同的方式表示管道中的各个操作.即把代码当作可在编程中进行检查的数据. Lambd ...

  8. 结束C#2的讲解：最后的一些特性

    分部类型 可以在多个源文件中为一个类型编写代码.特别适合用于部分代码是自动生成,而其他部分的代码为手动类型. 多个源代码文件组成的类型为分部类型 #region 7-1演示分部类型的混合声明 part ...

  9. 使用Apache Spark 对 mysql 调优 查询速度提升10倍以上

    在这篇文章中我们将讨论如何利用 Apache Spark 来提升 MySQL 的查询性能. 介绍 在我的前一篇文章Apache Spark with MySQL 中介绍了如何利用 Apache Spa ...

  10. [刷题]算法竞赛入门经典(第2版) 4-4/UVa253 - Cube painting

    书上具体所有题目:http://pan.baidu.com/s/1hssH0KO 代码:(Accepted,0 ms) #include<iostream> char str[15]; v ...