Python使用正则表达式去除(过滤)HTML标签提取文字功能

# -*- 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('n',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('n+') s=blank_line.sub('n',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 htmlstrdef repalce(s,re_exp,repl_string): return re_exp.sub(repl_string,s)if __name__=='__main__': str='' # 需要提取的html字符串 str=filter_tags(str) print(str)