Python去除html标签的几种方法

红太狼 2024-03-22 23:00 19阅读 0赞

![ee58ba7a0e036d920afa082b8faaf820.jpeg][]

本文主要介绍了Python去除html标签的几种方法总结，具有很好的参考价值，希望对大家有所帮助。

### Python去除html标签的方法 ###

最近小说看得比较多，但是很多小说网站都存在各种小广告，看起来很不方便，所以就自己写了个小程序，把小说都爬下来，然后搭个自己喜欢web页面来看。

在爬取过程中没有出现太大的问题，只有在清洗数据时，发现小说文本中混杂HTML标签，所以就需要对标签进行清洗。

我自己尝试了字符串的处理方式，正则，还有lxml等方式来处理这个问题，现在记录一下使用方式。

我们使用下面这个字符串举例说明，内容为一段html代码。需要对这段字符串进行处理，提取文本

**1. 使用正则来处理**

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> <p>5</p> </td> 
   <td> <p><code>import</code> <code>re</code></p> <p></p> <p><code>pattern </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'&lt;[^&gt;]+&gt;'</code><code>,re.S)</code></p> <p><code>result </code><code>=</code> <code>pattern.sub('', html)</code></p> <p><code>print</code><code>(result)</code></p> </td> 
  </tr> 
 </tbody> 
</table>

输出结果：

> 你好哈哈大家好

**2. 使用BeautifulSoup来处理**

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> </td> 
   <td> <p><code>from</code> <code>bs4 </code><code>import</code> <code>BeautifulSoup</code></p> <p></p> <p><code>soup </code><code>=</code> <code>BeautifulSoup(html,</code><code>'html.parser'</code><code>)</code></p> <p><code>print</code><code>(soup.get_text())</code></p> </td> 
  </tr> 
 </tbody> 
</table>

输出结果：

> 你好哈哈大家好

**3. 使用lxml来出来**

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> <p>5</p> </td> 
   <td> <p><code>from</code> <code>lxml </code><code>import</code> <code>etree</code></p> <p></p> <p><code>response </code><code>=</code> <code>etree.HTML(text</code><code>=</code><code>html)</code></p> <p><code># print(dir(response))</code></p> <p><code>print</code><code>(response.xpath(</code><code>'string(.)'</code><code>))</code></p> </td> 
  </tr> 
 </tbody> 
</table>

输出结果：

> 你好哈哈大家好

### python正则表达式去除html标签的属性 ###

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> </td> 
   <td> <p><code>import</code> <code>re</code></p> <p><code>test</code><code>=</code><code>'&lt;p class="pictext" align="center"&gt;陈细妹&lt;/p&gt;'</code></p> <p><code>test</code><code>=</code><code>re.sub(r</code><code>'(&lt;[^&gt;\s]+)\s[^&gt;]+?(&gt;)'</code><code>, r</code><code>'\1\2'</code><code>, test)</code></p> <p><code>print</code><code>(test)</code></p> </td> 
  </tr> 
 </tbody> 
</table>

输出

> <p>陈细妹</p>

以上为个人经验，希望能给大家一个参考，也希望对大家有所帮助。

转自：[微点阅读][Link 1] [https://www.weidianyuedu.com][Link 1]

[ee58ba7a0e036d920afa082b8faaf820.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/fee1058580924e7b9a7a10e7835ec9a9.png
[Link 1]: https://www.weidianyuedu.com