tengo una cadena que contiene el formato HTML como enlaces, texto en negrita, etc.usando pitón, eliminar las etiquetas HTML/formato de una cadena
quiero despojar a todas las etiquetas, así que sólo tengo el texto sin formato.
¿Cuál es la mejor manera de hacerlo? ¿Regex?
Si se va a utilizar expresiones regulares:
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!'
Dependiendo de si el texto contendrá '>' o '<' Yo ya sea simplemente hacer una función para eliminar cualquier cosa entre ellos, o utilizar un análisis sintáctico 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])
yo sepa el uso de expresiones regulares es una mala idea para análisis de HTML, que estaría mejor usando un analizador de HTML/XML como beautiful soup.
+1 para Beautiful Soup – derekerdmann
Estoy usando beautifulsoup, pero también quiero poder pegar etiquetas html manualmente. ¡Gracias! – Blankman
@Blankman hubiera sido una buena idea mencionar que en su pregunta – volting
Use SGMLParser. regex funciona en caso simple. Pero hay una gran cantidad de complejidad con HTML con la que no tienes que lidiar.
>>> from sgmllib import SGMLParser
>>>
>>> class TextExtracter(SGMLParser):
... def __init__(self):
... self.text = []
... SGMLParser.__init__(self)
... def handle_data(self, data):
... self.text.append(data)
... def getvalue(self):
... return ''.join(ex.text)
...
>>> ex = TextExtracter()
>>> ex.feed('<html>hello > world</html>')
>>> ex.getvalue()
'hello > world'
Gracias, he estado buscando una solución que no requiere dependencia externa. Cambiar * ''. Join (ex.text) * en * ''. Join (self.text) * lo hizo adecuado incluso como una clase independiente. – hasienda
Use lxml.html. Es mucho más rápido que BeautifulSoup y el texto sin procesar es un solo comando.
>>> import lxml.html
>>> page = lxml.html.document_fromstring('<!DOCTYPE html>...</html>')
>>> page.cssselect('body')[0].text_content()
'...'
¡Gran solución, gracias! Utilice este fragmento para extraer texto de fragmentos HTML: 'lxml.html.fromstring ('algún fragmento de HTML'). Text_content()' – Adam
Esta debería ser la respuesta aceptada. El uso de expresiones regulares para analizar HTML (especialmente directamente de Internet) es una idea MUY ** mala **. –
Esto sólo funcionará HTML de forma fiable en bien formada (es decir, no sin escape '' <' or '> fuera de etiquetas reales, no hay etiquetas mal formados como '
Agregue más aclaraciones sobre las situaciones muy limitadas en las que sería una buena idea y eliminaré mi voto negativo. Gracias. – Trufa
más esto también eliminará el siguiente texto => "si 3 < 5 then 5 > 3" – Shaokan