Использование python, удаление HTML-тегов/форматирование из строки
У меня есть строка, которая содержит html-разметку, например ссылки, жирный текст и т.д.
Я хочу удалить все теги, чтобы у меня был только исходный текст.
Какой лучший способ сделать это? регулярное выражение?
Ответ 1
Если вы собираетесь использовать регулярное выражение:
import re
def striphtml(data):
p = re.compile(r'<.*?>')
return p.sub('', data)
>>> striphtml('<a href="foo.com" class="bar">I Want This <b>text!</b></a>')
'I Want This text!'
Ответ 2
AFAIK с использованием regex - плохая идея для синтаксического анализа HTML, вам было бы лучше
используя синтаксический анализатор HTML/XML, например красивый суп.
Ответ 3
Используйте lxml.html. Это намного быстрее, чем BeautifulSoup, а сырой текст - единственная команда.
В зависимости от того, будет ли текст содержать ' > ' или '<' Я бы либо просто сделал функцию, чтобы удалить что-нибудь между ними, либо использовать разбор lib
def cleanStrings(self, inStr):
a = inStr.find('<')
b = inStr.find('>')
if a < 0 and b < 0:
return inStr
return cleanString(inStr[a:b-a])