python 如何过滤 HTML标签？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

Learn Python the Hard Way

Python Sites

PyPI - Python Package Index

http://diveintopython.org/toc/index.html

Pocoo

值得关注的项目

PyPy

Celery

Jinja2

Read the Docs

gevent

pyenv

virtualenv

Sentry

Shovel

Pyflakes

pytest

Python 编程

pep8 Checker

Styles

PEP 8

Google Python Style Guide

Code Style from The Hitchhiker's Guide

这是一个创建于 4992 天前的主题，其中的信息可能已经有所发展或是发生改变。

Python

HTML

标签

17 条回复 1970-01-01 08:00:00 +08:00

wong2

2012 年 5 月 21 日

这个一搜很多吧，比如： http://stackoverflow.com/questions/753052/strip-html-from-strings-in-python

VeryCB

2012 年 5 月 21 日

HTMLParser http://docs.python.org/library/htmlparser.html
lxml http://lxml.de/

VeryCB

2012 年 5 月 21 日

BeautifulSoup http://www.crummy.com/software/BeautifulSoup/

lackrp

2012 年 5 月 21 日

过滤是指要去掉么？

import re
pattern = re.compile(r'<.*?>')
pattern.sub('', html)

gee

2012 年 5 月 21 日

@VeryCB 你说得一点都不靠谱吧...你给的都是解析html的...

phuslu

2012 年 5 月 21 日

python readability

VeryCB

2012 年 5 月 21 日

@gee 初学者...过滤不是把Html标签去掉然后提取内容么？

eric_q

2012 年 5 月 21 日

我……我还是想用shell

gee

2012 年 5 月 21 日

@VeryCB 问题是不了解具体的html结构啊。当然了，用PyQuery直接取全体的text()也可以，但是有点绕路了

TheC

2012 年 5 月 21 日

@lackrp 你这哪里是过滤html标签，误伤也太大了

lackrp

2012 年 5 月 21 日

@TheC 正确的html的话，这样应该不会误伤啊/div>

eerie

2012 年 5 月 21 日

http://pypi.python.org/pypi/MarkupSafe

TheC

2012 年 5 月 21 日

@lackrp 仔细想想确实是，抱歉刚才回的太快了，理所当然觉得除了html标签还有其他被<>包括的文本了：）

tioover

2012 年 5 月 21 日

@lackrp 额。我的意思是过滤掉诸如<sript><iframe>之类的标签只允许一些安全的标签，为了安全……

cute

2012 年 5 月 22 日

@tioover

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup('<html><p>abc</p><script></script><br />abc</html>')
for tag in soup.recursiveChildGenerator():
.... if hasattr(tag, 'name') and tag.name in ['script', 'iframe']:
........tag.extract()
print soup.renderContents('utf-8')

leiz

2012 年 5 月 22 日

@tioover

如果只是过滤部分标签，干嘛不直接穷举好了?

magicshui

2012 年 5 月 22 日

BeautifulSoup感觉简单些～