Python代码从string中删除HTML标签
我有这样的文字：
text = """<div> <h1>Title</h1> <p>A long text........ </p> <a href=""> a link </a> </div>""" 使用纯Python，没有外部模块我想要这样：
>>> print remove_tags(text) Title A long text..... a link
我知道我可以使用lxml.html.fromstring（text）.text_content（）来做到这一点，但我需要在纯Python中使用内置或std库来实现2.6+
我怎样才能做到这一点？
使用正则expression式
使用正则expression式可以清理<>所有内容：
import re def cleanhtml(raw_html): cleanr = re.compile('<.*?>') cleantext = re.sub(cleanr, '', raw_html) return cleantext
使用BeautifulSoup
你也可以使用BeautifulSoup来查找所有的原始文本
from bs4 import BeautifulSoup cleantext = BeautifulSoup(raw_html).text
但是这并不妨碍你使用外部库，所以我推荐第一个解决scheme。
Python有几个内置的XML模块。对于已经有一个完整的HTMLstring的情况，最简单的就是xml.etree ，它与您提到的lxml示例类似：
def remove_tags(text): return ''.join(xml.etree.ElementTree.fromstring(text).itertext())
请注意，这不是完美的，因为如果你有类似的东西，比如说<a title=">">它会中断。 然而，这是关于在没有真正复杂函数的情况下，在非库Python中最接近的：
import re TAG_RE = re.compile(r'<[^>]+>') def remove_tags(text): return TAG_RE.sub('', text)
然而，正如lvc提到xml.etree在Python标准库中可用，所以你可能只是适应它像现有的lxml版本：
def remove_tags(text): return ''.join(xml.etree.ElementTree.fromstring(text).itertext())
在任何C语言中都有一个简单的方法。 风格不是Pythonic，而是用纯Python工作：
def remove_html_markup(s): tag = False quote = False out = "" for c in s: if c == '<' and not quote: tag = True elif c == '>' and not quote: tag = False elif (c == '"' or c == "'") and tag: quote = not quote elif not tag: out = out + c return out
基于一个简单的有限状态机的想法，并在这里详细解释：http: //youtu.be/2tu9LTDujbw
你可以看到它在这里工作：http: //youtu.be/HPkNPcYed9M?t=35s
PS – 如果你对这个类感兴趣（关于用python进行智能debugging），我给你一个链接： http : //www.udacity.com/overview/Course/cs259/CourseRev/1 。 免费！
global temp temp ='' s = ' ' def remove_strings(text): global temp if text == '': return temp start = text.find('<') end = text.find('>') if start == -1 and end == -1 : temp = temp + text return temp newstring = text[end+1:] fresh_start = newstring.find('<') if newstring[:fresh_start] != '': temp += s+newstring[:fresh_start] remove_strings(newstring[fresh_start:]) return temp
