如下所示：

##過濾HTML中的標(biāo)簽#將HTML中標(biāo)簽等信息去掉#@param htmlstr HTML字符串.def filter_tags(htmlstr): #先過濾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*?/?>')#處理換行 re_h=re.compile('</?/w+[^>]*>')#HTML標(biāo)簽 re_comment=re.compile('<!--[^>]*-->')#HTML注釋 re_stopwords=re.compile('/u3000')#去除無用的'/u3000'字符 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)#將br轉(zhuǎn)換為換行 s=re_h.sub('',s) #去掉HTML 標(biāo)簽 s=re_comment.sub('',s)#去掉HTML注釋 s=re_stopwords.sub('',s) #去掉多余的空行 blank_line=re.compile('/n+') s=blank_line.sub('/n',s) s=replaceCharEntity(s)#替換實(shí)體 return s##替換常用HTML字符實(shí)體.#使用正常的字符替換HTML中特殊的字符實(shí)體.#你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)體.#@param htmlstr HTML字符串.def replaceCharEntity(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全稱，如>  key=sz.group('name')#去除&;后entity,如>為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

以上這篇python對html過濾處理的方法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持武林站長站。