python對html過濾處理
阿新 • • 發佈:2019-02-13
##過濾HTML中的標籤
#將HTML中標籤等資訊去掉
#@param htmlstr HTML字串.
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標籤
re_comment=re.compile('<!--[^>]*-->')#HTML註釋
re_stopwords=re.compile('\u3000')#去除無用的'\u3000'字元
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 標籤
s=re_comment.sub('',s)#去掉HTML註釋
s=re_stopwords.sub('',s)
#去掉多餘的空行
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字元實體.
#使用正常的字元替換HTML中特殊的字元實體.
#你可以新增新的實體字元到CHAR_ENTITIES中,處理更多HTML字元實體.
#@param htmlstr HTML字串.
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&;後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