从字符串 Python 中删除 HTML 标签答案

【问题标题】：Delete HTML Tags from string Python从字符串 Python 中删除 HTML 标签
【发布时间】：2014-12-28 13:45:26
【问题描述】：

我正在使用 feedparser 开发一个脚本（用于提取 RSS 提要）。使用一些函数，我最终得到了一个名为 description 的字符串，如下所示：

"This is the description of the feed. < img alt='' height='1' src='http://linkOfARandomImage.of/the/feed' width='1' />"

html标签可以变化，我可以有img，a href，“p”，“h1”，......而且数量也可能不同。所以它们是相当随机的。但我想做的只是保留第一个文本。我想知道是否有办法删除所有标签，我正在考虑做类似的事情：从这个字符“

【问题讨论】：

会不会和stackoverflow.com/questions/753052/…有关？

标签： python html tags feedparser

【解决方案1】：

删除所有标签：

import re
text = "This is the description of <img alt='' height='1' src='http://linkOfARandomImage.of/the/feed' width='1' /> the <br> text"
text = re.sub("<.*?>", "", text)
#text = "This is the description of  the  text"

删除不必要的空格：

text = re.sub("\w*", " ", text)

编辑：

text = re.sub("\w+", " ", text)

【讨论】：

谢谢，这就是我要找的！
正确，但请注意，使用正则表达式解析 HTML 通常不是一个好习惯。有解析器。这并不是要使您的答案无效，只是要指出 OP 的注意力可能不会被推断为“我如何解析 HTML？使用正则表达式！”
是的，\w* 匹配零个或多个单词字符。
Jivan，这不完全是一个 html 文件，它是一个 RSS，我使用 FeedParser 将其废弃，但给出的功能并不能完全符合我的要求，因此我需要对其进行一些更改。

【解决方案2】：

如果您只想删除第一个文本（在任何标记出现之前），则无需使用正则表达式。

只需使用split 和strip。

>>> html = "Some text here <tag>blabla</tag> <other>hey you</other>"
>>> text = html.split("<")[0].strip()
>>> text
"Some text here"

split在遇到指定字符时，将html字符串截断。

strip 删除结果字符串开头和结尾的所有空格。

警告：仅当您要保留的文本中没有任何< 时才有效。

【讨论】：