我正在寻找一个可以帮助我摆脱 HTML 标记但保留文本值的 python 模块。我之前尝试过 BeautifulSoup，但我不知道如何完成这个简单的任务。我尝试搜索可以执行此操作的 Python 模块，但它们似乎都依赖于在 AppEngine 上无法正常运行的其他库。
下面是来自 Ruby 清理库的示例代码，这就是我在 Python 中所追求的：
require 'rubygems'
require 'sanitize'
html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'
Sanitize.clean(html) # => 'foo'
感谢您的建议。
-e
【问题讨论】：
标签： python google-app-engine html-sanitizing
晚了，但是。
你可以使用 Jinja2.Markup()
http://jinja.pocoo.org/docs/api/#jinja2.Markup.striptags
from jinja2 import Markup
Markup("<div>About</div>").striptags()
u'About'
【讨论】：
如果您不想使用单独的库，那么您可以导入标准的 django 工具。例如：
from django.utils.html import strip_tags
html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg'
stripped = strip_tags(html)
print stripped
# you got: foo
它已经包含在 Django 模板中，所以你不需要其他任何东西，只需使用过滤器，如下所示：
{{ unsafehtml|striptags }}
顺便说一句，这是最快的方法之一。
【讨论】：
#!/usr/bin/python
from xml.dom.minidom import parseString
def getText(el):
ret = ''
for child in el.childNodes:
if child.nodeType == 3:
ret += child.nodeValue
else:
ret += getText(child)
return ret
html = '<b>this is <a href="http://foo.com/">a link </a> and some bold text </b> followed by <img src="http://foo.com/bar.jpg" /> an image'
dom = parseString('<root>' + html + '</root>')
print getText(dom.documentElement)
打印：
这是一个链接和一些粗体文字，后跟一张图片
【讨论】：
>>> import BeautifulSoup
>>> html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'
>>> bs = BeautifulSoup.BeautifulSoup(html)
>>> bs.findAll(text=True)
[u'foo']
这会为您提供 (Unicode) 字符串列表。如果你想把它变成一个字符串，使用''.join(thatlist)。
【讨论】：
使用 lxml：
htmlstring = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'
from lxml.html import fromstring
mySearchTree = fromstring(htmlstring)
for item in mySearchTree.cssselect('a'):
print item.text
【讨论】：