在python中从字符串中删除html标记和实体

Question

我从api.careerbuilder.com获取xml数据 特别是，字符串包含一些我愿意删除的html实体，没有效果！

我试过这样做：

import re
re.sub('\<.*?\>', '', job_title_text)

和这个

from html.parser import HTMLParser
class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

strip_tags(job_title_text)

最后这个

import lxml.html
(lxml.html.fromstring(job_title_text)).text_content()

但所有这些都是失败的。第二种方法删除了诸如“＆amp; amp”之类的html实体，但标签内的文本被保留，例如“pbrspan”。第三个完全破坏了一切，根本没有显示数据，而是

  

＆LT;绑定方法HtmlElement.text_content of＆lt;元素html在0x33717d8＆gt; ＆GT;

最后，我怀疑，我写的正则表达式是完全错误的。 任何想法，如何处理？

Answer 1

试试这个正则表达式

（\＆安培; LT \;）*（\＆安培; GT \）。？

Answer 2

考虑使用BeautifulSoup删除标记，记录良好，http://www.crummy.com/software/BeautifulSoup/bs3/documentation.html#Removing%20elements