Python去除html标签的几种方法总结
更新时间：2023年01月03日 15:25:42 作者：一行书辞
这篇文章主要介绍了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。如有错误或未考虑完全的地方，望不吝赐教
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
html = '<p>你好</p><br/><font>哈哈</font><b>大家好</b>'
1. 使用正则来处理
import re
pattern = re.compile(r'<[^>]+>',re.S)
result = pattern.sub('', html)
print(result)
输出结果：
你好哈哈大家好
2. 使用BeautifulSoup来处理
from bs4 import BeautifulSoup soup = BeautifulSoup(html,'html.parser') print(soup.get_text())
输出结果：
你好哈哈大家好
3. 使用lxml来出来
from lxml import etree
response = etree.HTML(text=html)
# print(dir(response))
print(response.xpath('string(.)'))
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
import re test='<p class="pictext" align="center">陈细妹</p>' test=re.sub(r'(<[^>\s]+)\s[^>]+?(>)', r'\1\2', test) print(test)
输出
<p>陈细妹</p>
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
Django Serializer HiddenField隐藏字段实例
这篇文章主要介绍了Django Serializer HiddenField隐藏字段实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-03-03
这篇文章主要为大家介绍了python打开隐藏控制台方法详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2023-10-10
这篇文章主要介绍了基于python实现对文件进行切分行,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-04-04
本文主要介绍了Python字符串常规操作小结，如拼接字符串、截取字符串、格式化字符串等，下面将对Python中常用字符串操作方法进行介绍，感兴趣的可以了解一下2022-04-04
九九乘法表是初学者学习编程的必要练手题目之一,因此各种语言都有对应的实现方式,而 Python 也不例外,在 Python 中,我们可以使用多种方式来生成一个简单的九九乘法表,本文给大家总结了使用python制作九九乘法表的四种方法,需要的朋友可以参考下2024-03-03
在本篇文章里小编给大家整理了关于python函数与方法的区别的相关知识点代码内容，需要的朋友们学习下。2019-06-06
这篇文章主要为大家介绍了python文本进度条，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2021-12-12
采集到原始的数据中会存在一些噪点数据,噪点数据是对分析无意义或者对分析起到偏执作用的数据,所以这篇文章给大家介绍了利用pandas进行数据清洗的7种方式,需要的朋友可以参考下2024-03-03
session和cookie功能差不多，同样是用来记录用户信息和维持会话状态的，但是session是依赖cookie的，本文主要介绍了Django中Cookie搭配Session使用实践，感兴趣的可以了解一下2021-09-09
这篇文章主要介绍了python如何统计代码运行的时长,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
最新评论