1. 程式人生 > >python對html過濾處理

python對html過濾處理

##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&gt; key=sz.group('name')#去除&;後entity,如&gt;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