5

我一直在阅读许多关于如何使用 python 从字符串中删除所有 html 代码的问答，但没有一个令人满意。我需要一种方法来删除所有标签，保留/转换 html 实体并与 utf-8 字符串一起工作。

显然 BeautifulSoup 容易受到一些特制的 html 字符串的攻击，我用 HTMLParser 构建了一个简单的解析器来获取文本，但我丢失了实体

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []

    def handle_data(self, data):
        self.data.append(data)

    def handle_charref(self, name):
        self.data.append(name)

    def handle_entityref(self, ent):
        self.data.append(ent)

给了我类似的东西

[u'Asia, sp', u'cialiste du voyage', ...

在 spécialiste 中失去重音“e”的实体。

使用您可以找到的许多正则表达式之一作为类似问题的答案，它总会有一些未考虑的边缘情况。

我可以使用任何非常好的模块吗？

4

2 回答 2

4

漂白剂非常适合这项任务。它可以满足您的一切需求。它有一个广泛的测试套件，可以检查标签可能漏掉的奇怪边缘情况。我从来没有遇到过问题。

于 2013-04-09T00:42:10.190 回答
1

也许是pyquery？尝试easy_install / pip install pyquery；然后是一些代码，例如：

from pyquery import PyQuery as jQ

dom = jQ("<html>...</html>")
print dom("body").text()
于 2013-04-09T01:58:44.113 回答