ho una stringa che contiene l'HTML markup come i collegamenti, il testo in grassetto, eccutilizzando python, rimuovere i tag HTML/formattazione da una stringa
Voglio mettere a nudo tutti i tag in modo non mi resta che il testo grezzo.
Qual è il modo migliore per farlo? regex?
Se avete intenzione di usare espressioni regolari:
import re
def striphtml(data):
p = re.compile(r'<.*?>')
return p.sub('', data)
>>> striphtml('<a href="foo.com" class="bar">I Want This <b>text!</b></a>')
'I Want This text!'
A seconda che il testo conterrà '>' o '<' avrei sia solo fare una funzione per rimuovere tutto ciò tra coloro, o utilizzare un parsing lib
def cleanStrings(self, inStr):
a = inStr.find('<')
b = inStr.find('>')
if a < 0 and b < 0:
return inStr
return cleanString(inStr[a:b-a])
per quanto ne sappia utilizzando regex è una cattiva idea per il parsing del codice HTML, si sarebbe meglio usando un parser HTML/XML come beautiful soup.
+1 per Beautiful Soup – derekerdmann
Sto usando beautifulsoup, ma voglio essere in grado di rimuovere manualmente anche i tag html. Grazie! – Blankman
@Blankman sarebbe stata una buona idea menzionarlo nella tua domanda – volting
Utilizzare SGMLParser. regex funziona in caso semplice. Ma ci sono un sacco di complessità con l'HTML che preferisci non avere a che fare con.
>>> from sgmllib import SGMLParser
>>>
>>> class TextExtracter(SGMLParser):
... def __init__(self):
... self.text = []
... SGMLParser.__init__(self)
... def handle_data(self, data):
... self.text.append(data)
... def getvalue(self):
... return ''.join(ex.text)
...
>>> ex = TextExtracter()
>>> ex.feed('<html>hello > world</html>')
>>> ex.getvalue()
'hello > world'
Grazie, ho cercato un po 'di tempo per una soluzione che non richiedesse alcuna dipendenza esterna. Cambiando * ''. Join (ex.text) * in * ''. Join (self.text) * lo rendeva adatto anche come classe autonoma. – hasienda
Utilizzare lxml.html. È molto più veloce di BeautifulSoup e il testo non elaborato è un singolo comando.
>>> import lxml.html
>>> page = lxml.html.document_fromstring('<!DOCTYPE html>...</html>')
>>> page.cssselect('body')[0].text_content()
'...'
Ottima soluzione, grazie! Usa questo snippet per estrarre il testo dai frammenti HTML: 'lxml.html.fromstring ('some HTML framment'). Text_content()' – Adam
Questa dovrebbe essere la risposta accettata. Usare regex per analizzare HTML (specialmente direttamente su Internet) è un'idea MOLTO ** pessima! –
Questo funziona solo in modo affidabile su ben formato HTML (cioè, senza escape '' <' or '> al di fuori dei tag effettivi, nessun tag malformati come '
Si prega di aggiungere ulteriori chiarimenti in merito alle situazioni molto limitate in cui sarebbe una buona idea e rimuoveremo il mio voto negativo. Grazie. – Trufa
più questo rimuoverà anche il seguente testo => "if 3 < 5 then 5 > 3" – Shaokan