我想要以下功能。
input : this is test <b> bold text </b> normal text
expected output: this is test normal text
即。删除指定标记的内容
答案 0 :(得分：9)
使用BeautifulSoup的解决方案：
from BeautifulSoup import BeautifulSoup
def removeTag(soup, tagname):
for tag in soup.findAll(tagname):
contents = tag.contents
parent = tag.parent
tag.extract()
s = BeautifulSoup("abcd <b> btag </b> hello <d>dtag</d>")
removeTag(s,"b")
print s
removeTag(s, "d")
print s
返回：
>>>
abcd hello <d>dtag</d>
abcd hello
答案 1 :(得分：5)
使用BeautifulSoup：
from BeautifulSoup import BeautifulSoup
''.join(BeautifulSoup(page).findAll(text=True))
找到http://www.ghastlyfop.com/blog/2008/12/strip-html-tags-from-string-python.html
答案 2 :(得分：5)
如果你不介意Python（尽管regexp非常通用），你可以从Django's strip_tags filter中获得灵感。
此处转载完整性 -
def strip_tags(value):
"""Returns the given HTML with all tags stripped."""
return re.sub(r'<[^>]*?>', '', force_unicode(value))
编辑：如果您正在使用此解决方案或任何其他正则表达式解决方案，请记住它允许通过精心设计的HTML（请参阅注释）以及HTML注释，因此不应与不受信任的输入一起使用。考虑使用一些beautifulsoup，html5lib或lxml答案来代替不受信任的输入。
答案 3 :(得分：2)
尝试：
import re
input = 'this is test <b> bold text </b> normal text'
output = re.compile(r'<[^<]*?/?>').sub('', input)
print output
答案 4 :(得分：2)
看起来你想要HTMLParser。 （Python 3中的html.parser。）
from HTMLParser import HTMLParser
from sys import stdout
class Filter(HTMLParser):
def __init__(self, ignored_tags):
super(Filter, self).__init__()
self.ignorelevel = 0
self. ignored_tags = ignored_tags
def handle_starttag(self, tag, attrs):
if self.ignorelevel > 0:
self.ignorelevel += 1
elif tag in self.ignored_tags:
self.ignorelevel = 1
else:
# One of these two. Test and see.
stdout.write(self.get_starttag_text())
#stdout.write('<' + self.get_starttag_text() + '>')
def handle_startendtag(self, tag, attrs):
if self.ignorelevel == 0 and tag not in self.ignored_tags:
# One of these two. Test and see.
stdout.write(self.get_starttag_text())
#stdout.write('<' + self.get_starttag_text() + '/>')
def handle_endtag(self, tag):
if self.ignorelevel > 0:
self.ignorelevel -= 1
if self.ignorelevel > 0:
return
stdout.write('</' + tag + '>')
def handle_data(self, data):
stdout.write(data)
def handle_charref(self, name):
stdout.write('&#' + name + ';')
def handle_entityref(self, name):
stdout.write('&' + name + ';')
def handle_comment(self, data):
stdout.write('<!-- ' + data + ' -->')
def handle_decl(self, data):
stdout.write('<!' + data + '>')
def handle_pi(self, data):
stdout.write('<?' + data + '>')
答案 5 :(得分：0)
如果你想要包含一些安全标签，我会使用http://code.google.com/p/html5lib/。
请参阅http://code.google.com/p/html5lib/wiki/UserDocumentation上的“消毒令牌”部分。
如果漏洞属于重要服务，请记得测试漏洞：http://ha.ckers.org/xss.html。
答案 6 :(得分：0)
就我所知，Sam的回答应该做得很好，但是要确保任何遗留下来＆lt;＆gt;字符替换为＆amp; lt;和＆amp; gt;分别防止滥用/无效HTML。
这种方法的优点是它可以接受令人难以置信的格式错误的HTML引用/标记。 BeautifulSoup也可以很好地处理格式错误的标签，但html5lib，sgmllib和htmllib可以阻塞无效代码，如果我没记错的话，会比其他代码更多。
以下代码也验证了＆amp; HTML参考：
import re
from htmlentitydefs import name2codepoint, codepoint2name
S = '1234567890ABCDEF'
DHex = {}
for i in S:
DHex[i.lower()] = None
DHex[i.upper()] = None
def IsHex(S):
if not S: return False
for i in S:
if i not in DHex:
return False
return True
def UnEscape(S, LReEscape=None):
# Converts HTML character references into a unicode string to allow manipulation
#
# If LUnEscape is provided, then the positions of the escaped characters will be
# added to allow turning the result back into HTML with ReEscape below, validating
# the references and escaping all the rest
#
# This is needed to prevent browsers from stripping out e.g.   (spaces) etc
re = LReEscape != None
LRtn = []
L = S.split('&')
xx = 0
yy = 0
for iS in L:
if xx:
LSplit = iS.split(';')
if LSplit[0].lower() in name2codepoint:
# A character reference, e.g. '&'
a = unichr(name2codepoint[LSplit[0].lower()])
LRtn.append(a+';'.join(LSplit[1:]))
if re: LReEscape.append((yy, a))
elif LSplit[0] and LSplit[0][0] == '#' and LSplit[0][1:].isdigit():
# A character number e.g. '4'
a = unichr(int(LSplit[0][1:]))
LRtn.append(a+';'.join(LSplit[1:]))
if re: LReEscape.append((yy, a))
elif LSplit[0] and LSplit[0][0] == '#' and LSplit[0][1:2].lower() == 'x' and IsHex(LSplit[0][2:]):
# A hexadecimal encoded character
a = unichr(int(LSplit[0][2:].lower(), 16)) # Hex -> base 16
LRtn.append(a+';'.join(LSplit[1:]))
if re: LReEscape.append((yy, a))
else: LRtn.append('&%s' % ';'.join(LSplit))
else: LRtn.append(iS)
xx += 1
yy += len(LRtn[-1])
return ''.join(LRtn)
def ReEscape(LReEscape, S, EscFn):
# Re-escapes the output of UnEscape to HTML, ensuring e.g.  
# is turned back again and isn't stripped at a browser level
L = []
prev = 0
for x, c in LReEscape:
if x != prev:
L.append(EscFn(S[prev:x]))
o = ord(c)
if o in codepoint2name:
L.append('&%s;' % codepoint2name[o])
else: L.append('&#%s;' % o)
prev = x+len(c)
L.append(EscFn(S[prev:]))
return ''.join(L)
def escape(value):
# Escape left over <>& tags
value = value.replace('&', '&')
value = value.replace('>', '>')
value = value.replace('<', '<')
return value
def strip_tags(value):
# Strip HTML tags
value = re.sub(r'<[^>]*?>', '', value)
print 'No Tags:', value
# Validate & references
LReEscape = []
value = UnEscape(value, LReEscape)
value = ReEscape(LReEscape, value, EscFn=escape)
print 'References Validated:', value
return value
if __name__ == '__main__':
# Outputs:
# No Tags: this is test bold text normal text >< &blah & &
# References Validated: this is test bold text normal text >< &blah & &
strip_tags('this is test <b> bold text </b> normal text >< &blah & &')
答案 7 :(得分：0)
这是从我的项目Supybot中获取的工作代码，所以它经过了相当好的测试：
class HtmlToText(sgmllib.SGMLParser):
"""Taken from some eff-bot code on c.l.p."""
entitydefs = htmlentitydefs.entitydefs.copy()
entitydefs['nbsp'] = ' '
def __init__(self, tagReplace=' '):
self.data = []
self.tagReplace = tagReplace
sgmllib.SGMLParser.__init__(self)
def unknown_starttag(self, tag, attr):
self.data.append(self.tagReplace)
def unknown_endtag(self, tag):
self.data.append(self.tagReplace)
def handle_data(self, data):
self.data.append(data)
def getText(self):
text = ''.join(self.data).strip()
return normalizeWhitespace(text)
def htmlToText(s, tagReplace=' '):
"""Turns HTML into text. tagReplace is a string to replace HTML tags with.
"""
x = HtmlToText(tagReplace)
x.feed(s)
return x.getText()
正如文档字符串所说，它起源于Fredrik Lundh，而不是我。正如他们所说，伟大的作者窃取：）
答案 8 :(得分：0)
使用webob.exc模块：
from webob.exc import strip_tags
然后使用它：
print strip_tags('a<br/>b')
>> ab