萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> 程式語言綜合

Python 移除 HTML 標籤:正則表達式一行搞定

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。

代碼


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!

正則解析

  • <: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。

局限與替代方案

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、CDATABeautifulSoup(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

進階:保留特定標籤


# 只移除 
						
copyright © 萬盛學電腦網 all rights reserved