Question

使用Python从HTML字符串中剥离（不删除）指定标记的正确方法。

def strip_tags(html, tags=[]):
    ....
    pass #return the html string by stripping the tags from the list

问题解释了这一切。

我要编写一个python函数，它将HTML字符串作为输入，以及要剥离的标记列表，（模仿Django模板＆＃39; s removetags功能，因为它已被弃用）

最简单的方法是什么？
由于列出的原因，以下方法对我没有用处：

使用正则表达式（原因为obvious）
Clean() method by Bleach library。令人惊讶的是，这样一个强大的库对此要求毫无用处，因为它遵循白名单优先方法，而问题是黑名单优先。漂白剂只对保持＆＃39;有用。某些标签，但不是删除某些（除非你准备维护一个巨大的列表可能ALLOWED_TAGS）
lxml.html.Cleaner() 与remove_tags或kill_tags相结合这有点接近我的目标，但它会领先并且做（除去）比它应该的更多，并且那里没有办法控制最好的行为，比如请求 Cleaner（）保留邪恶的<script>标签。
BeautifulSoup 即可。这有一个名为clear()的方法来删除指定的标记，但它只删除标记的内容需要剥离标签，但要保留内容。

Answer 1

美味的汤有unwrap()：

它用标记内的任何内容替换标记。

您必须手动迭代要替换的所有标记。

Answer 2

您可以扩展Python的HTMLParser并创建自己的解析器以跳过指定的标记。

使用given link中提供的示例，我会将其修改为剥离trait Encoder[Z] { type Out def apply(z: Z): Out } object Encoder { type Aux[Z, Out0] = Encoder[Z] { type Out = Out0 } // implicits } trait Deriver[A] object Deriver { // implicits } def derive[A, I <: HList, R <: HList, Z <: HList](a: A, i: I)(implicit gen: Generic.Aux[A, R], zipper: Zip.Aux[R :: I :: HNil, Z], enc: Lazy[Encoder.Aux[Z, Deriver[A]]]): Deriver[A] = { val genRepr: R = gen.to(a) val zipped: Z = zipper(genRepr :: i :: HNil) enc.value(zipped) } case class Foo(a: String, b: String, c: String) // derive[Foo, Nat._1 :: Nat._3 :: Nat._7 :: HNil, ???, ???] derive(Foo("aaa", "bbb", "ccc"), Nat._1 :: Nat._3 :: Nat._7 :: HNil)代码但保留其数据：

<h1></h1>

那将返回：

from html.parser import HTMLParser

NOT_ALLOWED_TAGS = ['h1']

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag not in NOT_ALLOWED_TAGS:
            print("Encountered a start tag:", tag)

    def handle_endtag(self, tag):
        if tag not in NOT_ALLOWED_TAGS:
            print("Encountered an end tag :", tag)

    def handle_data(self, data):
        print("Encountered some data  :", data)

parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
            '<body><h1>Parse me!</h1></body></html>')

您现在可以维护Encountered a start tag: html Encountered a start tag: head Encountered a start tag: title Encountered some data : Test Encountered an end tag : title Encountered an end tag : head Encountered a start tag: body # h1 start tag here Encountered some data : Parse me! # h1 close tag here Encountered an end tag : body Encountered an end tag : html列表以用于剥离这些标记。

如何使用Python从html字符串中剥离（不删除）指定的标记？

2 个答案: