Python使用正则表达式过滤或替换HTML标签方法介绍

#-*- coding:utf-8 -*-
import re
##过滤HTML中的标签
# 将HTML中标签等信息去掉
# @param htmlstr HTML字符串.
def filter_tags(htmlstr):
 # 先过滤CDATA
 re_cdata = re.compile("//<!
CDATA[[>]?//
]>", re.I) #匹配CDATA
 re_script = re.compile('<s*script[^>]*>[^<]*<s*/s*scripts*>', re.I) # Script
 re_style = re.compile('<s*style[^>]*>[^<]*<s*/s*styles*>', re.I) # style
 re_br = re.compile('<brs*?/?>') # 处理换行
 re_h = re.compile('</?w+[^>]*>') # HTML标签
 re_comment = re.compile('<!--[^>]*-->') # HTML注释
 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('
', s) # 将br转换为换行
 s = re_h.sub('', s) # 去掉HTML 标签
 s = re_comment.sub('', s) # 去掉HTML注释
 # 去掉多余的空行
 blank_line = re.compile('
+')
 s = blank_line.sub('
', s)
 s = replaceCharEntity(s) # 替换实体
 return s
##替换常用HTML字符实体.
# 使用正常的字符替换HTML中特殊的字符实体.
# 你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.
# @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全称，如>
 key = sz.group('name') # 去除&;后entity,如>为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
def repalce(s, re_exp, repl_string):
 return re_exp.sub(repl_string, s)
if __name__ == '__main__':
 s = file('test.html').read()
 news = filter_tags(s)
 print news