#! /usr/bin/python
# -*- coding:utf-8 -*-
'''
Created on 2013-12-18
@author: Java
'''
import re
from HTMLParser import HTMLParser
class FilterTag():
def __init__(self):
pass
def filterHtmlTag(self,htmlStr):
'''
过滤html中的标签
:param htmlStr:html字符串 或是网页源码
'''
self.htmlStr = htmlStr
#先过滤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*?/?>')#处理换行
re_h=re.compile('</?/w+[^>]*>')#HTML标签
re_comment=re.compile('<!--[^>]*-->')#HTML注释
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)#将br转换为换行
blank_line=re.compile('/n+')#去掉多余的空行
s = blank_line.sub('/n',s)
s=re_h.sub('',s) #去掉HTML 标签
s=re_comment.sub('',s)#去掉HTML注释
#去掉多余的空行
blank_line=re.compile('/n+')
s=blank_line.sub('/n',s)
filterTag = FilterTag()
s=filterTag.replaceCharEntity(s)#替换实体
print s
def replaceCharEntity(self,htmlStr):
'''
替换html中常用的字符实体
使用正常的字符替换html中特殊的字符实体
可以添加新的字符实体到CHAR_ENTITIES 中
CHAR_ENTITIES是一个字典前面是特殊字符实体 后面是其对应的正常字符
:param htmlStr:
'''
self.htmlStr = 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全称，如>
key=sz.group('name')#去除&;后的字符如（" "--->key = "nbsp"） 去除&;后entity,如>为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
def replace(self,s,re_exp,repl_string):
return re_exp.sub(repl_string)
def strip_tags(self,htmlStr):
'''
使用HTMLParser进行html标签过滤
:param htmlStr:
'''
self.htmlStr = htmlStr
htmlStr = htmlStr.strip()
htmlStr = htmlStr.strip("/n")
result = []
parser = HTMLParser()
parser.handle_data = result.append
parser.feed(htmlStr)
parser.close()
return ''.join(result)
def stripTagSimple(self,htmlStr):
'''
最简单的过滤html <>标签的方法 注意必须是<任意字符> 而不能单纯是<>
:param htmlStr:
'''
self.htmlStr = htmlStr
# dr =re.compile(r'<[^>]+>',re.S)
dr = re.compile(r'</?/w+[^>]*>',re.S)
htmlStr =re.sub(dr,'',htmlStr)
return htmlStr
if __name__=='__main__':
# s = file('Google.html').read()
filters = FilterTag()
print filters.stripTagSimple("<1>你好<html>")
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/tech/pnotes/8480.html