保存网站文本，去掉源代码中的<tag>答案

【问题标题】：Save the website text and eliminate the <tag> in source code保存网站文本，去掉源代码中的<tag>
【发布时间】：2014-04-26 15:00:11
【问题描述】：

当给定 html 文件并消除所有标签时，如何仅在网页中获取文本，在这里我只能从html文件中获取标签，，如何反过来工作（获取文本）。

tag_only = regexp(CharData, '<.*?>', 'match');

例如：

"<p><span class="dingus">&#9658;</span> put returns between paragraphs</p>StackExchange.ready(function () {
        StackExchange.using("postValidation", function () {
            StackExchange.postValidation.initOnBlurAndSubmit($('#post-form'), 2, 'answer');
        });

输出：在段落之间放置返回

【问题讨论】：

为什么要使用 Matlab 解析 html 页面？这确实是错误的语言。无论如何，你的问题毫无意义。你是什么意思获取网页的文本？一些文本可能是由 javascript 动态生成的。或者 html 上的某些文本可能被 javascript 隐藏，因此实际上不会显示。
我必须使用 matlab，因为 html 解析器只是我的功能之一。所以，你的意思是其他语言这样做更有好处，是python吗？
如果是python，那么你有什么想法吗，我迫切需要那个。
python 或 perl 只是最常见的两种，它们都有许多 html 解析器。谷歌搜索 html parser perl 或 python 肯定会返回很多命中。并且仅仅因为你的程序的其余部分需要使用 Matlab，并不意味着你不能用另一种语言编写这部分。程序之间可以相互通信。
是的，我以前没有用过python，所以，你有这个程序，这样我就不需要自己写了。我用python浏览了这些prob，有很多，你有什么建议或者直接可以使用程序来介绍，因为我的时间不多了

标签： matlab matlab-figure

【解决方案1】：

我不知道 matlab 但你可以尝试更改正则表达式：

tag_only = regexp(CharData, '>.*?<', 'match');

或

tag_only = regexp(CharData, '>[^<]*?<', 'match');

或

tag_only = regexp(CharData, '>[^<]+<', 'match');

我同意使用 python 会更容易，请检查库 ElementTree。

import xml.etree.ElementTree as etree
tree = etree.parse('file.xml')
root = tree.getroot()
for child in root:
    print(child.text)

我没有尝试过这段代码，但它应该离它不远。

【讨论】：

我尝试了edi，但它不适用于没有的功能，使用这些“>
它也会返回“'div>'”。
我先得到所有然后保存在文本文件中，然后得到完整的html文件并减去文件，然后我将得到webtext。是否可以？我不知道如何取“完整的 html 文件”-“标签文件”=“网络文本”。有什么想法吗？
你尝试过其他选择吗？
尝试用空字符串替换所有标签，检查这个答案：stackoverflow.com/questions/13227160/…

【解决方案2】：

您可以直接从 Matlab (see) 调用 Java。

您可以选择多种 Html 解析器。随便挑一个。 This 看起来不错 - 但你有 choice。

【讨论】：

为什么我下载了3个后都无法打开？它显示我无法加载......我在这里下载了 d 安装程序jsoup.org/download
我之前试过这个，下载后无法打开安装程序，只能使用在线html解析器try.jsoup.org
你需要清楚地说明你做了什么以及错误是什么。没有要下载的安装程序 - 只有库。我认为您需要仔细按照我的第一个链接“直接从 Matlab 调用 Java”。