python re清理html

代码

def formatHtml(input):
    regular = re.compile('<\bp\b[^>]*>',re.IGNORECASE)
    input = regular.sub('<p>',input)
    regular = re.compile('</?SPAN[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('</?o:p>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('</?FONT[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('</?\bB\b[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('<?[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('</?st1:[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('</?\bchsdate\b[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('<\bbr\b[^>]*>',re.IGNORECASE)
    input = regular.sub('<br>',input)
    regular = re.compile('</?\bchmetcnv\b[^>]*>',re.IGNORECASE)
    input = regular.sub('',input)
    regular = re.compile('<script[^>]*?>.*?</script>',re.IGNORECASE+re.DOTALL)
    input = regular.sub('',input)
    return input

是用re注意：

1、def sub(pattern, repl, string, count=0, flags=0):
第三个参数是count很容易误用成flags.
2、re.sub(‘<8888(g<0>)>’,s) 其中g<0>表示捕获的分组字符，0表示匹配的整个字符串，1表示第一个分组
3、(<div id=”play_div”[^>]*>)(.*?)(</div>)非贪婪
      (<div id=”play_div”[^>]*>)(.*)(</div>)贪婪
常用正则表达式中特殊字符

• ^匹配字符串的开始。
• $匹配字符串的结尾。
• b匹配一个单词的边界。
• d匹配任意数字。
• D匹配任意非数字字符。
• x?匹配一个可选的x字符（换句话说，它匹配1次或者0次x字符）。
• x*匹配0次或者多次x字符。
• x+匹配1次或者多次x字符。
• x{n,m}匹配x字符，至少n次，至多m次。
• (a|b|c)要么匹配a，要么匹配b，要么匹配c。
• (x)一般情况下表示一个记忆组(remembered group). 你可以利用re.search函数返回对象的groups()函数获取它的值。
• [^>]表示不匹配>字符以外的字符