使用python，从字符串中删除HTML标签/格式[重复]答案

【问题标题】：using python, Remove HTML tags/formatting from a string [duplicate]使用python，从字符串中删除HTML标签/格式[重复]
【发布时间】：2011-03-24 20:29:13
【问题描述】：

我有一个包含 html 标记（如链接、粗体文本等）的字符串。

我想去掉所有标签，所以我只有原始文本。

最好的方法是什么？正则表达式？

【问题讨论】：

标签： python regex

【解决方案1】：

使用 lxml.html。它比 BeautifulSoup 快得多，原始文本是一个命令。

>>> import lxml.html
>>> page = lxml.html.document_fromstring('<!DOCTYPE html>...</html>')
>>> page.cssselect('body')[0].text_content()
'...'

【讨论】：

很好的解决方案，谢谢！使用这个 sn-p 从 HTML 片段中提取文本：lxml.html.fromstring('some HTML fragment').text_content()
这应该是公认的答案。使用正则表达式解析 HTML（尤其是直接来自互联网）是一个非常糟糕的想法！
这只是简单地剥离所有 HTML 代码并用任何内容替换它，如果它插入适当的换行符会很好，这样你就不会得到一行废话

【解决方案2】：

使用SGMLParser。 regex 在简单的情况下工作。但是 HTML 有很多错综复杂的东西，你宁愿不必处理。

>>> from sgmllib import SGMLParser
>>>
>>> class TextExtracter(SGMLParser):
...     def __init__(self):
...         self.text = []
...         SGMLParser.__init__(self)
...     def handle_data(self, data):
...         self.text.append(data)
...     def getvalue(self):
...         return ''.join(ex.text)
...
>>> ex = TextExtracter()
>>> ex.feed('<html>hello &gt; world</html>')
>>> ex.getvalue()
'hello > world'

【讨论】：

谢谢，一直在寻找这样一个不需要外部依赖的解决方案。将 ''.join(ex.text) 更改为 ''.join(self.text) 使其适合作为独立类。

【解决方案3】：

使用正则表达式的 AFAIK 是解析 HTML 的一个坏主意，你会更好使用像 beautiful soup 这样的 HTML/XML 解析器。

【讨论】：

美汤+1
我正在使用 beautifulsoup，但我也希望能够手动剥离 html 标签。谢谢！
@Blankman 在您的问题中提及这一点是个好主意
他不是在解析 HTML，而是在删除标签。解析 HTML/XML 非常慢，通常是使用它的应用程序中最慢的方面，因此我不推荐 BeautifulSoup。 HTML解析不能用正则表达式完成，因为正则表达式没有堆栈（LIFO），而且HTML可以任意嵌套，这需要一个堆栈来解析。
为什么美汤更适合html解析？我自己使用正则表达式。我错过了光明吗？谢谢。

【解决方案4】：

根据文本是否包含“>”或“

def cleanStrings(self, inStr):
  a = inStr.find('<')
  b = inStr.find('>')
  if a < 0 and b < 0:
    return inStr
  return cleanString(inStr[a:b-a])

【讨论】：

【解决方案5】：

如果你要使用正则表达式：

import re
def striphtml(data):
    p = re.compile(r'<.*?>')
    return p.sub('', data)

>>> striphtml('<a href="foo.com" class="bar">I Want This <b>text!</b></a>')
'I Want This text!'

【讨论】：

这只能在格式良好的 HTML 上可靠地工作（即，在实际标签之外没有未转义的 < 或 >，没有像 <b class="forgot-to-close" 这样的格式错误的标签等）。话虽如此，这是我使用的第一种方法，具体取决于源数据。
请在非常有限的情况下添加更多说明，这将是一个好主意，我将删除我的反对票。谢谢。
加上这也将删除以下文本 => "if 3 3"