从 Python 中的字符串中去除 HTML

Question

from mechanize import Browser
br = Browser()
br.open('http://somewebpage')
html = br.response().readlines()
for line in html:
  print line

当在 HTML 文件中打印一行时，我试图找到一种只显示每个 HTML 元素的内容而不是格式本身的方法。如果它找到'<a href="whatever.com">some text</a>'，它只会打印'some text'，'<b>hello</b>' 打印'hello'等。如何去做呢？

Answer 1

我就是这样做的，但我不知道我在做什么。我通过去除 HTML 标记从 HTML 表中获取数据。

这接受字符串“name”并返回不带 HTML 标记的字符串“name1”。

x = 0
anglebrackets = 0
name1 = ""
while x < len(name):
    
    if name[x] == "<":
        anglebrackets = anglebrackets + 1
    if name[x] == ">":
        anglebrackets = anglebrackets - 1
    if anglebrackets == 0:
        if name[x] != ">":
            name1 = name1 + name[x]
    x = x + 1

Answer 2

我需要一种方法来去除标签和将 HTML 实体解码为纯文本。以下解决方案基于 Eloff 的回答（我无法使用，因为它会剥离实体）。

import html.parser

class HTMLTextExtractor(html.parser.HTMLParser):
    def __init__(self):
        super(HTMLTextExtractor, self).__init__()
        self.result = [ ]

    def handle_data(self, d):
        self.result.append(d)

    def get_text(self):
        return ''.join(self.result)

def html_to_text(html):
    """Converts HTML to plain text (stripping tags and converting entities).
    >>> html_to_text('<a href="#">Demo<!--...--> <em>(&not; \u0394&#x03b7;&#956;&#x03CE;)</em></a>')
    'Demo (\xac \u0394\u03b7\u03bc\u03ce)'

    "Plain text" doesn't mean result can safely be used as-is in HTML.
    >>> html_to_text('&lt;script&gt;alert("Hello");&lt;/script&gt;')
    '<script>alert("Hello");</script>'

    Always use html.escape to sanitize text before using in an HTML context!

    HTMLParser will do its best to make sense of invalid HTML.
    >>> html_to_text('x < y &lt z <!--b')
    'x < y < z '

    Named entities are handled as per HTML 5.
    >>> html_to_text('&nosuchentity; &apos; ')
    "&nosuchentity; ' "
    """
    s = HTMLTextExtractor()
    s.feed(html)
    return s.get_text()

快速测试：

html = '<a href="#">Demo <em>(&not; \u0394&#x03b7;&#956;&#x03CE;)</em></a>'
print(repr(html_to_text(html)))

结果：

'Demo (¬ Δημώ)'

安全注意事项：不要将 HTML stripping（将 HTML 转换为纯文本）与 HTML 清理（将纯文本转换为 HTML）混淆。此答案将删除 HTML 并将实体解码为纯文本 - 这不会使结果在 HTML 上下文中安全使用。

示例：<script>alert("Hello");</script> 将转换为 <script>alert("Hello");</script>，这是 100% 正确的行为，但如果将生成的纯文本按原样插入 HTML 页面，显然是不够的。

规则并不难：任何时候你在 HTML 输出中插入一个纯文本字符串，总是 HTML 转义它（使用html.escape(s)），即使你“知道”它不包含 HTML（例如，因为您剥离了 HTML 内容）。

但是，OP 询问是否将结果打印到 控制台，在这种情况下不需要 HTML 转义。相反，您可能想要去除 ASCII 控制字符，因为它们会触发不需要的行为（尤其是在 Unix 系统上）：

import re
text = html_to_text(untrusted_html_input)
clean_text = re.sub(r'[\0-\x1f\x7f]+', '', text)
# Alternatively, if you want to allow newlines:
# clean_text = re.sub(r'[\0-\x09\x0b-\x1f\x7f]+', '', text)
print(clean_text)

Answer 3

基于lxml.html 的解决方案（lxml 是本机库，比纯 python 解决方案性能更高）。

要安装lxml 模块，请使用pip install lxml

删除所有标签

from lxml import html


## from file-like object or URL
tree = html.parse(file_like_object_or_url)

## from string
tree = html.fromstring('safe <script>unsafe</script> safe')

print(tree.text_content().strip())

### OUTPUT: 'safe unsafe safe'

使用预清理 HTML 删除所有标签（删除一些标签）

from lxml import html
from lxml.html.clean import clean_html

tree = html.fromstring("""<script>dangerous</script><span class="item-summary">
                            Detailed answers to any questions you might have
                        </span>""")

## text only
print(clean_html(tree).text_content().strip())

### OUTPUT: 'Detailed answers to any questions you might have'

另请参阅http://lxml.de/lxmlhtml.html#cleaning-up-html，了解 lxml.cleaner 的具体作用。

如果您需要在转换为文本之前更好地控制要清理的确切内容，那么您可能希望通过在构造函数中传递 options you want 来显式使用 lxml Cleaner，例如：

cleaner = Cleaner(page_structure=True,
                  meta=True,
                  embedded=True,
                  links=True,
                  style=True,
                  processing_instructions=True,
                  inline_style=True,
                  scripts=True,
                  javascript=True,
                  comments=True,
                  frames=True,
                  forms=True,
                  annoying_tags=True,
                  remove_unknown_tags=True,
                  safe_attrs_only=True,
                  safe_attrs=frozenset(['src','color', 'href', 'title', 'class', 'name', 'id']),
                  remove_tags=('span', 'font', 'div')
                  )
sanitized_html = cleaner.clean_html(unsafe_html)

如果您需要更多地控制纯文本的生成方式，那么您可以使用text_content() 而不是lxml.etree.tostring：

plain_bytes = tostring(tree, method='text', encoding='utf-8')
print(plain.decode('utf-8'))

Answer 4

有一个简单的方法：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
        if c == '<' and not quote:
            tag = True
        elif c == '>' and not quote:
            tag = False
        elif (c == '"' or c == "'") and tag:
            quote = not quote
        elif not tag:
            out = out + c

    return out

这里解释了这个想法：http://youtu.be/2tu9LTDujbw

你可以在这里看到它的工作原理：http://youtu.be/HPkNPcYed9M?t=35s

PS - 如果你对课程感兴趣（关于使用 python 进行智能调试）我给你一个链接：http://www.udacity.com/overview/Course/cs259/CourseRev/1。免费！

不客气！ :)

Answer 5

2020 年更新

使用Mozilla Bleach library，它确实可以让您自定义要保留的标签和要保留的属性，还可以根据值过滤掉属性

这里有2个案例来说明

1) 不允许任何 HTML 标签或属性

以原始文本为例

raw_text = """
<p><img width="696" height="392" src="https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-768x432.jpg" class="attachment-medium_large size-medium_large wp-post-image" alt="Ethereum Classic 51% Attack: Okex Crypto Exchange Suffers $5.6 Million Loss, Contemplates Delisting ETC" style="float:left; margin:0 15px 15px 0;" srcset="https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-768x432.jpg 768w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-300x169.jpg 300w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-1024x576.jpg 1024w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-696x392.jpg 696w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-1068x601.jpg 1068w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-747x420.jpg 747w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-190x107.jpg 190w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-380x214.jpg 380w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-760x428.jpg 760w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc.jpg 1280w" sizes="(max-width: 696px) 100vw, 696px" />Cryptocurrency exchange Okex reveals it suffered the $5.6 million loss as a result of the double-spend carried out by the attacker(s) in Ethereum Classic 51% attack. Okex says it fully absorbed the loss as per its user-protection policy while insisting that the attack did not cause any loss to the platform&#8217;s users. Also as part [&#8230;]</p>
<p>The post <a rel="nofollow" href="https://news.bitcoin.com/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc/">Ethereum Classic 51% Attack: Okex Crypto Exchange Suffers $5.6 Million Loss, Contemplates Delisting ETC</a> appeared first on <a rel="nofollow" href="https://news.bitcoin.com">Bitcoin News</a>.</p> 
"""

2) 从原始文本中删除所有 HTML 标记和属性

# DO NOT ALLOW any tags or any attributes
from bleach.sanitizer import Cleaner
cleaner = Cleaner(tags=[], attributes={}, styles=[], protocols=[], strip=True, strip_comments=True, filters=None)
print(cleaner.clean(raw_text))

输出

Cryptocurrency exchange Okex reveals it suffered the $5.6 million loss as a result of the double-spend carried out by the attacker(s) in Ethereum Classic 51% attack. Okex says it fully absorbed the loss as per its user-protection policy while insisting that the attack did not cause any loss to the platform’s users. Also as part […]
The post Ethereum Classic 51% Attack: Okex Crypto Exchange Suffers $5.6 Million Loss, Contemplates Delisting ETC appeared first on Bitcoin News. 

3 只允许带有 srcset 属性的 img 标签

from bleach.sanitizer import Cleaner
# ALLOW ONLY img tags with src attribute
cleaner = Cleaner(tags=['img'], attributes={'img': ['srcset']}, styles=[], protocols=[], strip=True, strip_comments=True, filters=None)
print(cleaner.clean(raw_text))

输出

<img srcset="https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-768x432.jpg 768w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-300x169.jpg 300w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-1024x576.jpg 1024w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-696x392.jpg 696w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-1068x601.jpg 1068w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-747x420.jpg 747w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-190x107.jpg 190w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-380x214.jpg 380w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc-760x428.jpg 760w, https://news.bitcoin.com/wp-content/uploads/2020/08/ethereum-classic-51-attack-okex-crypto-exchange-suffers-5-6-million-loss-contemplates-delisting-etc.jpg 1280w">Cryptocurrency exchange Okex reveals it suffered the $5.6 million loss as a result of the double-spend carried out by the attacker(s) in Ethereum Classic 51% attack. Okex says it fully absorbed the loss as per its user-protection policy while insisting that the attack did not cause any loss to the platform&#8217;s users. Also as part [&#8230;]
The post Ethereum Classic 51% Attack: Okex Crypto Exchange Suffers $5.6 Million Loss, Contemplates Delisting ETC appeared first on Bitcoin News. 

Answer 6

您可以使用 BeautifulSoup get_text() 功能。

from bs4 import BeautifulSoup

html_str = '''
<td><a href="http://www.fakewebsite.com">Please can you strip me?</a>
<br/><a href="http://www.fakewebsite.com">I am waiting....</a>
</td>
'''
soup = BeautifulSoup(html_str)

print(soup.get_text()) 
#or via attribute of Soup Object: print(soup.text)

建议明确指定parser，例如BeautifulSoup(html_str, features="html.parser")，以使输出可重现。

Answer 7

我一直使用这个函数来去除 HTML 标签，因为它只需要 Python 标准库：

对于 Python 3：

from io import StringIO
from html.parser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        super().__init__()
        self.reset()
        self.strict = False
        self.convert_charrefs= True
        self.text = StringIO()
    def handle_data(self, d):
        self.text.write(d)
    def get_data(self):
        return self.text.getvalue()

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

对于 Python 2：

from HTMLParser import HTMLParser
from StringIO import StringIO

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.text = StringIO()
    def handle_data(self, d):
        self.text.write(d)
    def get_data(self):
        return self.text.getvalue()

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

Answer 8

这是一个简单的解决方案，它基于惊人的速度 lxml 库去除 HTML 标记并解码 HTML 实体：

from lxml import html

def strip_html(s):
    return str(html.fromstring(s).text_content())

strip_html('Ein <a href="">sch&ouml;ner</a> Text.')  # Output: Ein schöner Text.

Answer 9

您可以使用不同的 HTML 解析器（like lxml 或 Beautiful Soup） - 一个提供仅提取文本的功能的解析器。或者，您可以在去除标签的行字符串上运行正则表达式。请参阅Python docs 了解更多信息。

Answer 10

# This is a regex solution.
import re
def removeHtml(html):
  if not html: return html
  # Remove comments first
  innerText = re.compile('<!--[\s\S]*?-->').sub('',html)
  while innerText.find('>')>=0: # Loop through nested Tags
    text = re.compile('<[^<>]+?>').sub('',innerText)
    if text == innerText:
      break
    innerText = text

  return innerText.strip()

Answer 11

简单的代码！。这将删除其中的所有类型的标签和内容。

def rm(s):
    start=False
    end=False
    s=' '+s
    for i in range(len(s)-1):
        if i<len(s):
            if start!=False:
                if s[i]=='>':
                    end=i
                    s=s[:start]+s[end+1:]
                    start=end=False
            else:
                if s[i]=='<':
                    start=i
    if s.count('<')>0:
        self.rm(s)
    else:
        s=s.replace('&nbsp;', ' ')
        return s

但如果文本中包含 符号，则不会给出完整的结果。

Answer 12

这是我对 python 3 的解决方案。

import html
import re

def html_to_txt(html_text):
    ## unescape html
    txt = html.unescape(html_text)
    tags = re.findall("<[^>]+>",txt)
    print("found tags: ")
    print(tags)
    for tag in tags:
        txt=txt.replace(tag,'')
    return txt

不确定它是否完美，但解决了我的用例并且看起来很简单。

Answer 13

这是一个类似于当前接受的答案 (https://stackoverflow.com/a/925630/95989) 的解决方案，只是它直接使用内部 HTMLParser 类（即没有子类化），从而使其更加简洁：

def strip_html（文本）： 部分= [] 解析器 = HTMLParser() parser.handle_data = part.append parser.feed（文本） 返回''.join（部分）

Answer 14

如果你想去除所有 HTML 标签，我发现最简单的方法是使用 BeautifulSoup：

from bs4 import BeautifulSoup  # Or from BeautifulSoup import BeautifulSoup

def stripHtmlTags(htmlTxt):
    if htmlTxt is None:
            return None
        else:
            return ''.join(BeautifulSoup(htmlTxt).findAll(text=True)) 

我尝试了接受答案的代码，但收到“RuntimeError: maximum recursion depth exceeded”，上面的代码块没有发生这种情况。

Answer 15

对于一个项目，我需要去除 HTML，还需要去除 css 和 js。因此，我对 Eloffs 的回答做了一个变体：

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.strict = False
        self.convert_charrefs= True
        self.fed = []
        self.css = False
    def handle_starttag(self, tag, attrs):
        if tag == "style" or tag=="script":
            self.css = True
    def handle_endtag(self, tag):
        if tag=="style" or tag=="script":
            self.css=False
    def handle_data(self, d):
        if not self.css:
            self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

Answer 16

使用 BeautifulSoup、html2text 或来自@Eloff 的代码，大多数时候，它仍然保留一些 html 元素、javascript 代码...

因此您可以使用这些库的组合并删除降价格式（Python 3）：

import re
import html2text
from bs4 import BeautifulSoup
def html2Text(html):
    def removeMarkdown(text):
        for current in ["^[ #*]{2,30}", "^[ ]{0,30}\d\\\.", "^[ ]{0,30}\d\."]:
            markdown = re.compile(current, flags=re.MULTILINE)
            text = markdown.sub(" ", text)
        return text
    def removeAngular(text):
        angular = re.compile("[{][|].{2,40}[|][}]|[{][*].{2,40}[*][}]|[{][{].{2,40}[}][}]|\[\[.{2,40}\]\]")
        text = angular.sub(" ", text)
        return text
    h = html2text.HTML2Text()
    h.images_to_alt = True
    h.ignore_links = True
    h.ignore_emphasis = False
    h.skip_internal_links = True
    text = h.handle(html)
    soup = BeautifulSoup(text, "html.parser")
    text = soup.text
    text = removeAngular(text)
    text = removeMarkdown(text)
    return text

它对我很有效，但当然可以增强...

Answer 17

Beautiful Soup 套餐会立即为您完成这项工作。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html)
text = soup.get_text()
print(text)

Answer 18

søren-løvborg 答案的 python 3 改编版

from html.parser import HTMLParser
from html.entities import html5

class HTMLTextExtractor(HTMLParser):
    """ Adaption of http://stackoverflow.com/a/7778368/196732 """
    def __init__(self):
        super().__init__()
        self.result = []

    def handle_data(self, d):
        self.result.append(d)

    def handle_charref(self, number):
        codepoint = int(number[1:], 16) if number[0] in (u'x', u'X') else int(number)
        self.result.append(unichr(codepoint))

    def handle_entityref(self, name):
        if name in html5:
            self.result.append(unichr(html5[name]))

    def get_text(self):
        return u''.join(self.result)

def html_to_text(html):
    s = HTMLTextExtractor()
    s.feed(html)
    return s.get_text()

Answer 19

我正在解析 Github 自述文件，发现以下内容确实运行良好：

import re
import lxml.html

def strip_markdown(x):
    links_sub = re.sub(r'\[(.+)\]\([^\)]+\)', r'\1', x)
    bold_sub = re.sub(r'\*\*([^*]+)\*\*', r'\1', links_sub)
    emph_sub = re.sub(r'\*([^*]+)\*', r'\1', bold_sub)
    return emph_sub

def strip_html(x):
    return lxml.html.fromstring(x).text_content() if x else ''

然后

readme = """<img src="https://raw.githubusercontent.com/kootenpv/sky/master/resources/skylogo.png" />

            sky is a web scraping framework, implemented with the latest python versions in mind (3.4+). 
            It uses the asynchronous `asyncio` framework, as well as many popular modules 
            and extensions.

            Most importantly, it aims for **next generation** web crawling where machine intelligence 
            is used to speed up the development/maintainance/reliability of crawling.

            It mainly does this by considering the user to be interested in content 
            from *domains*, not just a collection of *single pages*
            ([templating approach](#templating-approach))."""

strip_markdown(strip_html(readme))

正确删除所有 markdown 和 html。

Answer 20

短版！

import re, cgi
tag_re = re.compile(r'(<!--.*?-->|<[^>]*>)')

# Remove well-formed tags, fixing mistakes by legitimate users
no_tags = tag_re.sub('', user_input)

# Clean up anything else by escaping
ready_for_web = cgi.escape(no_tags)

Regex source: MarkupSafe。他们的版本也处理 HTML 实体，而这个快速的版本没有。

为什么我不能直接剥离标签并留下它？

让人们远离<i>italicizing</i> 的东西，而不让is 到处乱窜是一回事。但接受任意输入并使其完全无害是另一回事。此页面上的大多数技术将保留未封闭的 cmets (<!--) 和不属于标签 (blah <<<><blah) 的尖括号等内容。 HTMLParser 版本甚至可以留下完整的标签，如果它们在一个未封闭的评论中。

如果您的模板是{{ firstname }} {{ lastname }}，该怎么办？ firstname = '<a' 和 lastname = 'href="http://evil.com/">' 将被此页面上的每个标签剥离器允许通过（@Medeiros 除外！），因为它们本身并不是完整的标签。去掉普通的 HTML 标签是不够的。

Django 的strip_tags 是该问题最佳答案的改进版（见下一个标题），它给出以下警告：

绝对不保证生成的字符串是 HTML 安全的。因此，切勿将strip_tags 调用的结果标记为安全而不先转义它，例如使用escape()。

听从他们的建议！

要使用 HTMLParser 去除标签，您必须多次运行它。

很容易绕过这个问题的最佳答案。

看看这个字符串（source and discussion）：

<img<!-- --> src=x onerror=alert(1);//><!-- -->

HTMLParser 第一次看到它时，它无法判断<img...> 是一个标签。它看起来坏了，所以 HTMLParser 没有摆脱它。它只取出<!-- comments -->，留给你

<img src=x onerror=alert(1);//>

这个问题在 2014 年 3 月被 Django 项目披露。他们的旧strip_tags 与这个问题的最高答案基本相同。 Their new version 基本上循环运行它，直到再次运行它不会改变字符串：

# _strip_once runs HTMLParser once, pulling out just the text of all the nodes.

def strip_tags(value):
    """Returns the given HTML with all tags stripped."""
    # Note: in typical case this loop executes _strip_once once. Loop condition
    # is redundant, but helps to reduce number of executions of _strip_once.
    while '<' in value and '>' in value:
        new_value = _strip_once(value)
        if len(new_value) >= len(value):
            # _strip_once was not able to detect more tags
            break
        value = new_value
    return value

当然，如果您总是逃避strip_tags() 的结果，这都不是问题。

2015 年 3 月 19 日更新：在 1.4.20、1.6.11、1.7.7 和 1.8c1 之前的 Django 版本中存在一个错误。这些版本可能会在 strip_tags() 函数中进入无限循环。上面复制了固定版本。 More details here.

好东西可以复制或使用

我的示例代码不处理 HTML 实体 - Django 和 MarkupSafe 打包版本可以。

我的示例代码来自优秀的MarkupSafe 库，用于防止跨站点脚本。它方便快捷（使用 C 加速到其原生 Python 版本）。它包含在 Google App Engine 中，并被 Jinja2 (2.7 and up)、Mako、Pylons 等使用。它可以轻松地与 Django 1.7 中的 Django 模板一起使用。

Django 的 strip_tags 和其他 html 实用程序最近的版本都不错，但我发现它们不如 MarkupSafe 方便。它们非常独立，您可以从this file 复制您需要的内容。

如果您需要去除几乎所有标签，Bleach 库很好。你可以让它强制执行一些规则，比如“我的用户可以使用斜体，但他们不能制作 iframe。”

了解标签剥离器的属性！对其进行模糊测试！ Here is the code我曾经为这个答案做过研究。

sheepish note - 问题本身是关于打印到控制台的，但这是“python 从字符串中剥离 html”的最高 Google 结果，这就是为什么这个答案是关于网络的 99% .

Answer 21

这是一个快速修复，可以进一步优化，但它会正常工作。此代码将用“”替换所有非空标签，并从给定的输入文本中去除所有 html 标签。您可以使用 ./file.py 输入输出运行它

    #!/usr/bin/python
import sys

def replace(strng,replaceText):
    rpl = 0
    while rpl > -1:
        rpl = strng.find(replaceText)
        if rpl != -1:
            strng = strng[0:rpl] + strng[rpl + len(replaceText):]
    return strng


lessThanPos = -1
count = 0
listOf = []

try:
    #write File
    writeto = open(sys.argv[2],'w')

    #read file and store it in list
    f = open(sys.argv[1],'r')
    for readLine in f.readlines():
        listOf.append(readLine)         
    f.close()

    #remove all tags  
    for line in listOf:
        count = 0;  
        lessThanPos = -1  
        lineTemp =  line

            for char in lineTemp:

            if char == "<":
                lessThanPos = count
            if char == ">":
                if lessThanPos > -1:
                    if line[lessThanPos:count + 1] != '<>':
                        lineTemp = replace(lineTemp,line[lessThanPos:count + 1])
                        lessThanPos = -1
            count = count + 1
        lineTemp = lineTemp.replace("&lt","<")
        lineTemp = lineTemp.replace("&gt",">")                  
        writeto.write(lineTemp)  
    writeto.close() 
    print "Write To --- >" , sys.argv[2]
except:
    print "Help: invalid arguments or exception"
    print "Usage : ",sys.argv[0]," inputfile outputfile"

Answer 22

如果只运行一次，使用 HTML-Parser 的解决方案都是易碎的：

html_to_text('<<b>script>alert("hacked")<</b>/script>

结果：

<script>alert("hacked")</script>

您打算阻止的事情。如果您使用 HTML 解析器，请计算标签，直到替换为零：

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
        self.containstags = False

    def handle_starttag(self, tag, attrs):
       self.containstags = True

    def handle_data(self, d):
        self.fed.append(d)

    def has_tags(self):
        return self.containstags

    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    must_filtered = True
    while ( must_filtered ):
        s = MLStripper()
        s.feed(html)
        html = s.get_data()
        must_filtered = s.has_tags()
    return html

Answer 23

我没有过多考虑它会错过的情况，但你可以做一个简单的正则表达式：

re.sub('<[^<]+?>', '', text)

对于不懂正则表达式的人，这会搜索字符串<...>，其中内部内容由一个或多个不是< 的字符组成（+）。 ? 表示它将匹配它可以找到的最小字符串。例如给定<p>Hello</p>，它将分别与? 匹配<'p> 和</p>。没有它，它将匹配整个字符串<..Hello..>。

如果非标签< 出现在html 中（例如2 < 3），它应该写成转义序列&... 无论如何^< 可能是不必要的。

Answer 24

您可以编写自己的函数：

def StripTags(text):
     finished = 0
     while not finished:
         finished = 1
         start = text.find("<")
         if start >= 0:
             stop = text[start:].find(">")
             if stop >= 0:
                 text = text[:start] + text[start+stop+1:]
                 finished = 0
     return text

Answer 25

如果您需要保留 HTML 实体（即&），我在Eloff's answer 中添加了“handle_entityref”方法。

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def handle_entityref(self, name):
        self.fed.append('&%s;' % name)
    def get_data(self):
        return ''.join(self.fed)

def html_to_text(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

Answer 26

我已经成功地将 Eloff 的答案用于 Python 3.1 [非常感谢！]。

我升级到 Python 3.2.3，但遇到了错误。

感谢响应者 Thomas K 提供 here 的解决方案是将 super().__init__() 插入以下代码：

def __init__(self):
    self.reset()
    self.fed = []

...为了使它看起来像这样：

def __init__(self):
    super().__init__()
    self.reset()
    self.fed = []

...它适用于 Python 3.2.3。

再次感谢 Thomas K 的修复以及上面提供的 Eloff 的原始代码！

Answer 27

这种方法对我来说完美无缺，不需要额外安装：

import re
import htmlentitydefs

def convertentity(m):
    if m.group(1)=='#':
        try:
            return unichr(int(m.group(2)))
        except ValueError:
            return '&#%s;' % m.group(2)
        try:
            return htmlentitydefs.entitydefs[m.group(2)]
        except KeyError:
            return '&%s;' % m.group(2)

def converthtml(s):
    return re.sub(r'&(#?)(.+?);',convertentity,s)

html =  converthtml(html)
html.replace(" ", " ") ## Get rid of the remnants of certain formatting(subscript,superscript,etc).