从Python中的字符串中剥离HTML [英] Strip HTML from strings in Python

问题描述

  from机械化导入浏览器
 br =浏览器（）
 br.open（'http：// somewebpage'）
 html = br.response （）.readlines（）
为html中的行：
 print line 
  

当在HTML文件中打印一行时，我试图找到一种方法来仅显示每个HTML元素的内容，而不是格式本身。如果它发现'< a href =whatever.com>一些文字< / a>'，它只会打印'一些文字'，'< b> hello< / b>'打印'hello'等。怎么去做这件事？ >解决方案

我总是使用这个函数去掉HTML标签，因为它只需要Python stdlib：

在Python 2上

（HTMLParser）：
def __init __（self）：

$ b

 $ b self.reset（）
 self.fed = [] 
 def handle_data（self，d）：
 self.fed.append（d）
 def get_data（self） ：
 return''.join（self.fed）
 
 def strip_tags（html）：
s = MLStripper（）
 s.feed（html）
返回s.get_data（）
  

对于Python 3

  from html.parser import HTMLParser 
 
 class MLStripper（HTMLParser）：
 def __init __（self）： 
 self.reset（）
 self.strict = False 
 self.convert_charrefs = True 
 self.fed = [] 
 def handle_data（self，d）：
 self.fed.append（d）
 def get_data（self）：
 return''.join（self.fed）
 $ b $ def strip_tags（html）：
s = MLStripper（）
 s.feed（html）
返回s.get_data（）
  

注意：这仅适用于3.1。对于3.2或更高版本，您需要调用父类的 init 函数。请参阅在Python 3.2中使用HTMLParser

from mechanize import Browser
br = Browser()
br.open('http://somewebpage')
html = br.response().readlines()
for line in html:
  print line

When printing a line in an HTML file, I'm trying to find a way to only show the contents of each HTML element and not the formatting itself. If it finds '<a href="whatever.com">some text</a>', it will only print 'some text', '<b>hello</b>' prints 'hello', etc. How would one go about doing this?

解决方案

I always used this function to strip HTML tags, as it requires only the Python stdlib:

On Python 2

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

For Python 3

from html.parser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.strict = False
        self.convert_charrefs= True
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

Note: this works only for 3.1. For 3.2 or above, you need to call the parent class's init function. See Using HTMLParser in Python 3.2

这篇关于从Python中的字符串中剥离HTML的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！