python対htmlフィルタ処理の方法


以下の通りです

##  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
以上のpythonはhtmlフィルタ処理の方法は小编で皆さんに全部の内容を共有しました。参考にしていただければと思います。どうぞよろしくお愿いします。