从字符串中删除 HTML 标签的 Python 代码

Question

我有这样一段文字：

 text = """<div>
<h1>Title</h1>
<p>A long text........ </p>
<a href=""> a link </a>
</div>"""

使用纯 Python，没有外部模块我想要这个：

 >>> print remove_tags(text)
Title A long text..... a link

我知道我可以使用 lxml.html.fromstring(text).text_content() 来做到这一点，但我需要在纯 Python 中使用 2.6+ 的内置或标准库来实现相同的目的

我怎样才能做到这一点？

原文由 Bruno Rocha - rochacbruno 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

使用正则表达式

使用正则表达式，您可以清除内部的所有内容 <> ：

 import re
# as per recommendation from @freylis, compile once only
CLEANR = re.compile('<.*?>')

def cleanhtml(raw_html):
  cleantext = re.sub(CLEANR, '', raw_html)
  return cleantext

某些 HTML 文本还可以包含未括在方括号中的实体，例如“ &nsbm ”。如果是这种情况，那么您可能希望将正则表达式编写为

CLEANR = re.compile('<.*?>|&([a-z0-9]+|#[0-9]{1,6}|#x[0-9a-f]{1,6});')

此 链接 包含有关此的更多详细信息。

使用 BeautifulSoup

您还可以使用 BeautifulSoup 附加包来查找所有原始文本。

您将需要在调用 BeautifulSoup 时显式设置解析器我推荐 "lxml" 如替代答案中所述（比默认的更强大（ html.parser ）（即无需额外安装即可使用）。

 from bs4 import BeautifulSoup
cleantext = BeautifulSoup(raw_html, "lxml").text

但是并不妨碍你使用外部库，所以我推荐第一种方案。

编辑：要使用 lxml 你需要 pip install lxml 。

原文由 c24b 发布，翻译遵循 CC BY-SA 4.0 许可协议