Python正则获取、过滤或者替换HTML标签的方法

本文实例介绍了Python通过正则表达式获取,去除(过滤)或者替换HTML标签的几种方法，具体内容如下

python正则表达式关键内容:

python正则表达式转义符:

    . 匹配除换行符以外的任意字符
    \w 匹配字母或数字或下划线或汉字
    \s 匹配任意的空白符
    \d 匹配数字
    \b 匹配单词的开始或结束
    ^ 匹配字符串的开始
    $ 匹配字符串的结束
    \W 匹配任意不是字母，数字，下划线，汉字的字符
    \S 匹配任意不是空白符的字符
    \D 匹配任意非数字的字符
    \B 匹配不是单词开头或结束的位置
    [^x] 匹配除了x以外的任意字符
    [^aeiou] 匹配除了aeiou这几个字母以外的任意字符

常用的python正则表达式限定符代码/语法说明:

    *重复零次或更多次
    +重复一次或更多次
    ?重复零次或一次
    {n}重复n次
    {n,}重复n次或更多次
    {n,m}重复n到m次

关于python正则表达式命名组:

    命名组:(?P<name>.....)
    这篇文章里面还提到了界定( 问号开头,前向则有个'<'号,非则有个'!' 号 ):
    前向界定 (?<=…)
    后向界定 (?=…) 
    前向非界定 (?<!....)
    后向非界定 (?!.....)

Python通过正则表达式获取,去除(过滤)或者替换HTML标签代码举例

1、Python通过正则表达式取html中天气信息代码示例:

    #!/usr/bin/env python 
    #-*- coding: utf8 -*- 
    import re 

    html = """ 
      <h2>多云</h2> 
    """ 

    if __name__ == '__main__': 
      p = re.compile('<[^>]+>') 
      print p.sub("", html)
    Python通过正则表达式取html中温度信息代码示例:
    #!/usr/bin/env python 
    #-*- coding: utf8 -*- 
    import re 

    html = """ 
      <div class="w-number"> <span class="tpte">14℃</span> </div> 
    """ 

    if __name__ == '__main__': 
      p = re.compile('<[^>]+>') 
      print p.sub("", html)

2、Python通过正则表达式去除(过滤)HTML标签示例代码:

    # -*- 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':' ','160':' ',
            'lt':'<','60':'<',
            'gt':'>','62':'>',
            'amp':'&','38':'&',
            'quot':'"','34':'"',}

      re_charEntity=re.compile(r'&#