この記事では、Python の正規(guī)表現(xiàn)を使用して HTML タグをフィルタリングまたは置換する方法を主に紹介し、Python の正規(guī)表現(xiàn)関連の構(gòu)文を簡(jiǎn)単に紹介し、Python の正規(guī)表現(xiàn)ベースの HTML タグのフィルタリングおよび置換関連の操作テクニックを具體的な例に基づいて分析します。必須 お友達(dá)は參照してください

Python 正規(guī)表現(xiàn)の主な內(nèi)容:

Python 正規(guī)表現(xiàn)エスケープ文字:

w 文字またはを一致させます。數(shù)字、アンダースコア、または漢字
s 任意の空白文字と一致します
d 數(shù)字と一致します
b 単語(yǔ)の先頭または末尾と一致します
^ 文字列の先頭と一致します
$ 文字列の末尾と一致します
W 文字列以外のものと一致します
文字、數(shù)字、アンダースコア、漢字
S は空白文字ではない任意の文字に一致します
D は數(shù)字以外の文字に一致します
B は単語(yǔ)の先頭または末尾ではない位置に一致します
[^x] は任意の文字に一致しますx
[^aeiou] を除く aeiou 文字以外の任意の文字と一致します

一般的に使用される Python 正規(guī)表現(xiàn)修飾子コード/文法の説明:

*0 回以上繰り返します
+1 回以上繰り返します
?繰り返し0 回または 1 回
{n} を n 回繰り返します
{n,} を n 回以上繰り返します
{n,m} を n ～ m 回繰り返します
Python の正規(guī)表現(xiàn)について 名前付きグループ:
名前付きグループ: (?P< ;name> ....)
この記事では區(qū)切りについても觸れています (疑問(wèn)符で始まり、前方の場(chǎng)合は「<」記號(hào)があり、そうでない場(chǎng)合は「!」記號(hào)があります):
前方區(qū)切り (?< ) HTML タグを削除 (フィルタリング) するサンプルコード

#-*- coding:utf-8 -*-
import re
##過(guò)濾HTML中的標(biāo)簽
# 將HTML中標(biāo)簽等信息去掉
# @param htmlstr HTML字符串.
def filter_tags(htmlstr):
  # 先過(guò)濾CDATA
  re_cdata = re.compile("//<!
CDATA\[[>]?//
\]>", re.I) #匹配CDATA
  re_script = re.compile(&#39;<\s*script[^>]*>[^<]*<\s*/\s*script\s*>&#39;, re.I) # Script
  re_style = re.compile(&#39;<\s*style[^>]*>[^<]*<\s*/\s*style\s*>&#39;, re.I) # style
  re_br = re.compile(&#39;<br\s*?/?>&#39;) # 處理?yè)Q行
  re_h = re.compile(&#39;</?\w+[^>]*>&#39;) # HTML標(biāo)簽
  re_comment = re.compile(&#39;<!--[^>]*-->&#39;) # HTML注釋
  s = re_cdata.sub(&#39;&#39;, htmlstr) # 去掉CDATA
  s = re_script.sub(&#39;&#39;, s) # 去掉SCRIPT
  s = re_style.sub(&#39;&#39;, s) # 去掉style
  s = re_br.sub(&#39;\n&#39;, s) # 將br轉(zhuǎn)換為換行
  s = re_h.sub(&#39;&#39;, s) # 去掉HTML 標(biāo)簽
  s = re_comment.sub(&#39;&#39;, s) # 去掉HTML注釋
  # 去掉多余的空行
  blank_line = re.compile(&#39;\n+&#39;)
  s = blank_line.sub(&#39;\n&#39;, s)
  s = replaceCharEntity(s) # 替換實(shí)體
  return s
##替換常用HTML字符實(shí)體.
# 使用正常的字符替換HTML中特殊的字符實(shí)體.
# 你可以添加新的實(shí)體字符到CHAR_ENTITIES中,處理更多HTML字符實(shí)體.
# @param htmlstr HTML字符串.
def replaceCharEntity(htmlstr):
  CHAR_ENTITIES = {&#39;nbsp&#39;: &#39; &#39;, &#39;160&#39;: &#39; &#39;,
           &#39;lt&#39;: &#39;<&#39;, &#39;60&#39;: &#39;<&#39;,
           &#39;gt&#39;: &#39;>&#39;, &#39;62&#39;: &#39;>&#39;,
           &#39;amp&#39;: &#39;&&#39;, &#39;38&#39;: &#39;&&#39;,
           &#39;quot&#39;: &#39;"&#39;&#39;"&#39;, &#39;34&#39;: &#39;"&#39;, }
  re_charEntity = re.compile(r&#39;?(?P<name>\w+);&#39;)
  sz = re_charEntity.search(htmlstr)
  while sz:
    entity = sz.group() # entity全稱，如>
    key = sz.group(&#39;name&#39;) # 去除&;后entity,如>為gt
    try:
      htmlstr = re_charEntity.sub(CHAR_ENTITIES[key], htmlstr, 1)
      sz = re_charEntity.search(htmlstr)
    except KeyError:
      # 以空串代替
      htmlstr = re_charEntity.sub(&#39;&#39;, htmlstr, 1)
      sz = re_charEntity.search(htmlstr)
  return htmlstr
def repalce(s, re_exp, repl_string):
  return re_exp.sub(repl_string, s)
if __name__ == &#39;__main__&#39;:
  s = file(&#39;test.html&#39;).read()
  news = filter_tags(s)
  print news

以上がPython が正規(guī)表現(xiàn)を使用して HTML タグをフィルタリングまたは置換する方法の概要の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。