Mi pregunta está ligeramente relacionado con: Strip HTML from strings in PythonPython: html tira de datos de texto
Busco una forma sencilla de banda de código HTML de texto. Por ejemplo:
string = 'foo <SOME_VALID_HTML_TAG> something </SOME_VALID_HTML_TAG> bar'
stripIt(string)
Otorgaría foo bar.
¿Hay alguna herramienta simple para lograr esto en Python? El código HTML podría estar anidado.
from BeautifulSoup import BeautifulSoup
def removeTags(html, *tags):
soup = BeautifulSoup(html)
for tag in tags:
for tag in soup.findAll(tag):
tag.replaceWith("")
return soup
testhtml = '''
<html>
<head>
<title>Page title</title>
</head>
<body>text here<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>
<p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>
</body>
</html>'''
print removeTags(testhtml, 'b', 'p')
Pruebe esta solución:
from BeautifulSoup import BeautifulSoup
def stripIt(string, tag):
soup = BeautifulSoup(string)
rmtags = soup.findAll(tag)
for t in rmtags:
string = string.replace(str(t), '')
return string
string = 'foo <p> something </p> bar'
print stripIt(string, 'p')
>>> foo bar
string = 'foo <a>bar</a> baz <a>quux</a>'
print stripIt(string, 'a')
>>> foo baz
Editar: Esto sólo funciona en válidamente anidados etiquetas, así por ejemplo:
string = 'blaz <div>baz <div>quux</div></div>'
print stripIt(string, 'div')
>>> blaz
string = 'blaz <a>baz <a>quux</a></a>'
print stripIt(string, 'a')
>>> blaz <a>baz </a>
usted puede tomar ventaja de HTMLParser reemplazando métodos en consecuencia:
from HTMLParser import HTMLParser
class HTMLStripper(HTMLParser):
text_parts = []
depth = 0
def handle_data(self, data):
if self.depth == 0:
self.text_parts.append(data.strip())
def handle_charref(self, ref):
data = unichr(int(ref))
self.handle_data(data)
def handle_starttag(self, tag, attrs):
self.depth += 1
def handle_endtag(self, tag):
if self.depth > 0:
self.depth -= 1
def handle_entityref(self, ref):
try:
data = unichr(name2codepoint[ref])
self.handle_data(data)
except KeyError:
pass
def get_stripped_text(self):
return ' '.join(self.text_parts)
def strip_html_from_text(html):
parser = HTMLStripper()
parser.feed(html)
return parser.get_stripped_text()
def main():
import sys
html = sys.stdin.read()
text = strip_html_from_text(html)
print text
if __name__ == '__main__':
main()
import lxml.html
import re
def stripIt(s):
doc = lxml.html.fromstring(s) # parse html string
txt = doc.xpath('text()') # ['foo ', ' bar']
txt = ' '.join(txt) # 'foo bar'
return re.sub('\s+', ' ', txt) # 'foo bar'
s = 'foo <SOME_VALID_HTML_TAG> something </SOME_VALID_HTML_TAG> bar'
stripIt(s)
vuelve
foo bar
Creo que, lxml es mejor que otros módulos, esto funciona como encanto. –
Esto es bueno porque solo hay un espacio entre el 'foo' y la 'barra' resultante, como solicitó OP. Algunas de las otras soluciones dejan dos espacios. – mmmdreg
Si alguien tiene este problema y ya está trabajando con el lenguaje de plantillas de jinja: Puede utilizar el filtro striptags en las plantillas y la función jinja2.filters.do_striptags() en el código.
Usted podría utilizar expresiones regulares:
def stripIt(s):
txt = re.sub('<[^<]+?>.*?</[^<]+?>', '', s) # Remove html tags
return re.sub('\s+', ' ', txt) # Normalize whitespace
Sin embargo, preferiría solución de Hugh Bothwell, ya que sería más robusta que la expresión regular puro.
es "SOME_VALID_HTML_TAG" establecido en una etiqueta en particular? ¿Quieres que se elimine la etiqueta más externa? – milkypostman
Creo que es posible que desee utilizar la respuesta aceptada sobre la pregunta que ha vinculado, ¿qué diferencia hay entre lo que está haciendo? – girasquid
En la pregunta relacionada, el usuario quería stripIt (' foo ') para ceder foo, mientras que en mi caso quiero que vuelva ''. –
Jernej