Python正则获取和过滤或者替换HTML标签的方法说明

. 匹配除换行符以外的任意字符
w 匹配字母或数字或下划线或汉字
s 匹配任意的空白符
d 匹配数字
 匹配单词的开始或结束
^ 匹配字符串的开始
$ 匹配字符串的结束
W 匹配任意不是字母，数字，下划线，汉字的字符
S 匹配任意不是空白符的字符
D 匹配任意非数字的字符
B 匹配不是单词开头或结束的位置
[^x] 匹配除了x以外的任意字符
[^aeiou] 匹配除了aeiou这几个字母以外的任意字符

*重复零次或更多次
+重复一次或更多次
?重复零次或一次
{n}重复n次
{n,}重复n次或更多次
{n,m}重复n到m次

命名组:(?P<name>.....)
这篇文章里面还提到了界定( 问号开头,前向则有个'<'号,非则有个'!' 号 ):
前向界定 (?<=…)
后向界定 (?=…) 
前向非界定 (?<!....)
后向非界定 (?!.....)

#!/usr/bin/env python 
#-*- coding: utf8 -*- 
import re 
 
html = """ 
 <h2>多云</h2> 
""" 
 
if name == 'main': 
 p = re.compile('<[^>]+>') 
 print p.sub("", html)
Python通过正则表达式取html中温度信息代码示例:
#!/usr/bin/env python 
#-*- coding: utf8 -*- 
import re 
 
html = """ 
 <p class="w-number"> <span class="tpte">14℃</span> </p> 
""" 
 
if name == 'main': 
 p = re.compile('<[^>]+>') 
 print p.sub("", html)

# -*- 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('169it.com_index.htm').read()
 news=filter_tags(s)
 print news