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. Webpack模块加载器

    一.介绍 Webpack是德国开发者 Tobias Koppers 开发的模块加载器,它能把所有的资源文件(JS.JSX.CSS.CoffeeScript.Less.Sass.Image等)都作为模块 ...

  2. 关于iOS开发首次进入需要获取地理位置

    今天给大家简单介绍一下iOS开发过程中会遇到的获取地理位置的问题,(话不多说进入正题)这里给大家讲解一下两种在APPdelegate获取地理位置的方法: 一:首先是用系统的方法获取地理位置: 1. 首 ...

  3. UEditor使用------图片上传与springMVC集成 完整实例

    UEditor是一个很强大的在线编辑软件 ,首先讲一下 基本的配置使用 ,如果已经会的同学可以直接跳过此节 ,今天篇文章重点说图片上传; 一  富文本的初始化使用: 1 首先将UEditor从官网下载 ...

  4. css过渡模块和2d转换模块

    今天,我们一起来研究一下css3中的过渡模块.2d转换模块和3d转换模块 一.过渡模块transition (一)过度模块的三要素: 1.必须要有属性发生变化 2.必须告诉系统哪个属性需要执行过渡效果 ...

  5. list、set、map区别

    list是有序且重复的; list中的数据都是按照写入的顺序排列的,存入list的数据用add方法写入; list可以用循环遍历list以达到获取全部数据的目的,同时也可以通过下标get(index) ...

  6. 为什么说B+-tree比B 树更适合实际应用中操作系统的文件索引和数据库索引？

    B树: B+树 1) B+-tree的磁盘读写代价更低 B+-tree的内部结点并没有指向关键字具体信息的指针.因此其内部结点相对B 树更小.如果把所有同一内部结点的关键字存放在同一盘块中,那么盘块所 ...

  7. Struts2框架的基本使用（三）

    上篇 Struts2框架的基本使用(二)介绍了Action和result的相关配置操作,本篇接着介绍剩下的异常处理机制和Convention插件的使用.下篇文章介绍的是Struts2框架中标签库的使用 ...

  8. jquery实现网页倒计时

    在毕设作品考试模块要做个倒计时,当时间到时自动结束答题.于是在jQuery插件社区找到一个简洁明了的倒计时.先上效果图. 感谢作者hacker(这是黑客的意思么),贴上地址:http://www.jq ...

  9. 通过Servlet实现汉字验证码

    package com; import java.awt.Color;import java.awt.Font;import java.awt.Graphics;import java.awt.Gra ...

  10. nodejs环境的搭建（linux环境centos6.5）

    更新yum # yum update 新建用户 # adduser user设置密码 # passwd user 允许用户通过ssl远程访问 # vi /etc/ssh/sshd_config 在文末 ...