迹忆客 专注技术分享

在本指南中，我们将学习并应用一些方法来从字符串中删除 HTML 标记。我们将使用正则表达式 BeautifulSoup 和 XML 元素树。

因为 HTML 标签总是包含符号 <>。我们将导入内置的 re 模块（正则表达式）并使用 compile() 方法在输入字符串中搜索定义的模式。

在这里，模式 <.*?> 表示标签 <> 内的零个或多个字符，并且匹配尽可能少。

sub() 方法用于将出现的字符串替换为另一个字符串。在这里，它将用空字符串替换找到的匹配项。

示例代码：

#Python 3.x
import re
string='<h1>Delftstack</h1>'
print('String before cleaning:', string)
to_clean = re.compile('<.*?>')
cleantext = re.sub(to_clean, '', string)
print('String after cleaning:', cleantext)

输出：

#Python 3.x
String before cleaning: <h1>Delftstack</h1>
String after cleaning: Delftstack

BeautifulSoup 是一个 Python 库，用于从 HTML 和 XML 中获取数据。它使用解析器来解析 HTML 和 XML；推荐一个是 lxml。

我们需要在继续之前安装两者，使用以下命令：

#Python 3.x
pip install beautifulsoup4

#Python 3.x
pip install lxml

我们导入了 BeautifulSoup 模块并在以下代码中解析了给定的 HTML 字符串。我们使用 text 属性从 HTML 访问文本。

示例代码：

#Python 3.x
from bs4 import BeautifulSoup
string='<h1>Delftstack</h1>'
print('String after cleaning:', string)
cleantext = BeautifulSoup(string, "lxml").text
print('String after cleaning:', cleantext)

输出：

#Python 3.x
String after cleaning: <h1>Delftstack</h1>
String after cleaning: Delftstack

ElementTree 是一个通过 XML 解析和导航的库。fromstring() 方法将 XML 直接从字符串解析为元素，该元素是解析树的根元素。

itertext() 生成一个文本迭代器，它按文档顺序循环遍历该元素及其所有子元素，返回所有内部文本。通过合并由字符串分隔符分隔的可迭代（输入字符串）的所有组件（内部文本），join() 方法返回一个没有 HTML 标记的字符串。

示例代码：

#Python 3.x
import xml.etree.ElementTree as ET
string = '<h1>Delftstack</h1>'
print('String before cleaning:', string)
tree = ET.fromstring(string)
print('String after cleaning:',''.join(tree.itertext()))

输出：

#Python 3.x
String before cleaning: <h1>Delftstack</h1>
String after cleaning: Delftstack