代码
<br />
def formatHtml(input):
regular = re.compile('<\bp\b[^>]*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile('',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile('<\bbr\b[^>]*>',re.IGNORECASE)
input = regular.sub('
',input)
regular = re.compile(']*>',re.IGNORECASE)
input = regular.sub('',input)
regular = re.compile(']*?>.*?',re.IGNORECASE+re.DOTALL)
input = regular.sub('',input)
return input
<br />
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、(
]*>)(.*?)(
)非贪婪
(
]*>)(.*)(
)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
<br />
http://stackoverflow.com/questions/753052/strip-html-from-strings-in-python
from html.parser 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()
或者
import lxml.html
return (lxml.html.fromstring(job_title_text)).text_content()
是的，我上面使用的是不用模块的方法。