- #! /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>")
来源: http://www.phpxs.com/code/1005207/