# -*- coding: utf-8-*-import re##過濾HTML中的標簽#將HTML中標簽等信息去掉#@param htmlstr HTML字符串.def filter_tags(htmlstr): #先過濾CDATA re_cdata=re.compile('//<![CDATA[[^>]*//]]>',re.I) #匹配CDATA re_script=re.compile('<s*script[^>]*>[^<]*<s*/s*scripts*>',re.I)#Script re_style=re.compile('<s*style[^>]*>[^<]*<s*/s*styles*>',re.I)#style re_br=re.compile('<brs*?/?>')#處理換行 re_h=re.compile('</?w+[^>]*>')#HTML標簽 re_comment=re.compile('<!--[^>]*-->')#HTML注釋 s=re_cdata.sub('',htmlstr)#去掉CDATA s=re_script.sub('',s) #去掉SCRIPT s=re_style.sub('',s)#去掉style s=re_br.sub('n',s)#將br轉換為換行 s=re_h.sub('',s) #去掉HTML 標簽 s=re_comment.sub('',s)#去掉HTML注釋 #去掉多余的空行 blank_line=re.compile('n+') s=blank_line.sub('n',s) s=replaceCharEntity(s)#替換實體 return s##替換常用HTML字符實體.#使用正常的字符替換HTML中特殊的字符實體.#你可以添加新的實體字符到CHAR_ENTITIES中,處理更多HTML字符實體.#@param htmlstr HTML字符串.def replaceCharEntity(htmlstr): CHAR_ENTITIES={'nbsp':' ','160':' ',    'lt':'<','60':'<',    'gt':'>','62':'>',    'amp':'&','38':'&',    'quot':'"','34':'"',}   re_charEntity=re.compile(r'&#?(?P<name>w+);') sz=re_charEntity.search(htmlstr) while sz:  entity=sz.group()#entity全稱，如>  key=sz.group('name')#去除&;后entity,如>為gt  try:   htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)   sz=re_charEntity.search(htmlstr)  except KeyError:   #以空串代替   htmlstr=re_charEntity.sub('',htmlstr,1)   sz=re_charEntity.search(htmlstr) return htmlstrdef repalce(s,re_exp,repl_string): return re_exp.sub(repl_string,s)if __name__=='__main__': str='' # 需要提取的html字符串 str=filter_tags(str) print(str)