快速剝離 HTML 標籤、保留純文字內容,正則 re.sub(r'<[^>]+>', '', html) 即可。本文提供最小可用代碼與說明。
import re
html = '腳本之家,Python學習!'
dr = re.compile(r'<[^>]+>', re.S) # re.S 讓 . 匹配換行
clean = dr.sub('', html)
print(clean) # 腳本之家,Python學習!
<:匹配標籤開頭[^>]+:匹配非 > 的任意字符(至少一個),即標籤內容>:匹配標籤結尾re.S:DOTALL 模式,讓 .(此處未用)能匹配換行;對 [^>] 無影響但保留習慣無妨。| 場景 | 推薦做法 |
|---|---|
| 簡單、結構固定、一次性腳本 | 正則 re.sub(r'<[^>]+>', '', text) |
巢狀標籤、屬性含 >、註解、CDATA | BeautifulSoup(html, 'html.parser').get_text() |
| 大量文檔、效能敏感 | lxml.html.clean.Cleaner 或 selectolax |
| 需保留結構(如轉 Markdown) | html2text、markdownify |
# 只移除