【python系列】使用Regex去除HTML字串__PHP

關鍵代碼見標紅部分

# -*- coding: utf-8-*-import re##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注釋    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注釋#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.#你可以添加新的實體字元到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gttry:            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 htmlstrdef repalce(s,re_exp,repl_string):return re_exp.sub(repl_string,s)if __name__=='__main__':    s=file('Google.htm').read()    news=filter_tags(s)print news