Python:使用正则去除HTML标签(转)

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。

 # -*- coding: utf-8-*-
 import re
 ##过滤HTML中的标签
 #将HTML中标签等信息去掉
 #@param htmlstr HTML字符串.
 def filter_tags(htmlstr):
 #先过滤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*?/?>')#处理换行
     re_h=re.compile('</?\w+[^>]*>')#HTML标签
     re_comment=re.compile('<!--[^>]*-->')#HTML注释
     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)#将br转换为换行
     s=re_h.sub('',s) #去掉HTML 标签
     s=re_comment.sub('',s)#去掉HTML注释
 #去掉多余的空行
     blank_line=re.compile('\n+')
     s=blank_line.sub('\n',s)
     s=replaceCharEntity(s)#替换实体
 return s

 ##替换常用HTML字符实体.
 #使用正常的字符替换HTML中特殊的字符实体.
 #你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.
 #@param htmlstr HTML字符串.
 def replaceCharEntity(htmlstr):
     CHAR_ENTITIES={'nbsp':' ','':' ',
 'lt':'<','':'<',
 'gt':'>','':'>',
 'amp':'&','':'&',
 'quot':'"','':'"',}

     re_charEntity=re.compile(r'&#?(?P<name>\w+);')
     sz=re_charEntity.search(htmlstr)
 while sz:
         entity=sz.group()#entity全称，如&gt;
         key=sz.group('name')#去除&;后entity,如&gt;为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('Google.htm').read()
     news=filter_tags(s)
 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

高级搜索

使用偏好

语言工具所有网页 中文网页 简体中文网页 中国的网页

广告计划 – Google 大全 – Google.com in English2009 – 隐私权 – ICP证合字B2-20070004号