python対htmlフィルタ処理の方法

##  HTML    
# HTML        
#@param htmlstr HTML   .
def filter_tags(htmlstr):
 #   CDATA
 re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #  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*?/?>')#    
 re_h=re.compile('</?\w+[^>]*>')#HTML  
 re_comment=re.compile('<!--[^>]*-->')#HTML  
 re_stopwords=re.compile('\u3000')#     '\u3000'  
 s=re_cdata.sub('',htmlstr)#  CDATA
 s=re_script.sub('',s) #  SCRIPT
 s=re_style.sub('',s)#  style
 s=re_br.sub('
',s)# br     
 s=re_h.sub('',s) #  HTML   
 s=re_comment.sub('',s)#  HTML  
 s=re_stopwords.sub('',s)
 #       
 blank_line=re.compile('
+')
 s=blank_line.sub('
',s)
 s=replaceCharEntity(s)#    
 return s

##    HTML    .
#         HTML        .
#            CHAR_ENTITIES ,    HTML    .
#@param htmlstr HTML   .
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  ， &gt;
  key=sz.group('name')#  &; entity, &gt; gt
  try:
   htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)
   sz=re_charEntity.search(htmlstr)
  except KeyError:
   #     
   htmlstr=re_charEntity.sub('',htmlstr,1)
   sz=re_charEntity.search(htmlstr)
 return htmlstr