国产探花免费观看_亚洲丰满少妇自慰呻吟_97日韩有码在线_资源在线日韩欧美_一区二区精品毛片,辰东完美世界有声小说,欢乐颂第一季,yy玄幻小说排行榜完本

首頁 > 編程 > Python > 正文

python對html過濾處理的方法

2020-02-15 23:19:17
字體:
來源:轉載
供稿:網友

如下所示:

##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*script/s*>',re.I)#Script re_style=re.compile('</s*style[^>]*>[^<]*</s*//s*style/s*>',re.I)#style re_br=re.compile('<br/s*?/?>')#處理換行 re_h=re.compile('</?/w+[^>]*>')#HTML標簽 re_comment=re.compile('<!--[^>]*-->')#HTML注釋 re_stopwords=re.compile('/u3000')#去除無用的'/u3000'字符 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 s=re_stopwords.sub('',s) #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 htmlstr

以上這篇python對html過濾處理的方法就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持武林站長站。

發表評論 共有條評論
用戶名: 密碼:
驗證碼: 匿名發表
主站蜘蛛池模板: 淮阳县| 盐津县| 宁河县| 双柏县| 邯郸市| 苍山县| 定襄县| 昌图县| 蒙阴县| 绥滨县| 建昌县| 广宗县| 灯塔市| 共和县| 庆城县| 澜沧| 平昌县| 五台县| 读书| 永仁县| 大同县| 钟祥市| 海原县| 万全县| 乐业县| 庆阳市| 镇康县| 布尔津县| 三都| 徐水县| 赤城县| 文安县| 博野县| 荥经县| 安义县| 曲阳县| 涡阳县| 鄂州市| 綦江县| 北川| 嘉荫县|