很多时候网页中采用正则或者xpath提取数据内容的方式是很好的，但是对于不确定网页内容结构，可以采用xpath提取更大范围的div，然后去除一切标签来提取数据。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 |
import re def filter_tags(htmlstr): #先过滤CDATA re_cdata=re.compile('//<!\[CDATA\[[^>]*//\]\]>',re.I) #匹配CDATA re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style re_br=re.compile('<br\s*?/?>')#处理换行 re_h=re.compile('</?\w+[^>]*>')#HTML标签 re_comment=re.compile('<!--[^>]*-->')#HTML注释 s=re_cdata.sub('',htmlstr)#去掉CDATA s=re_script.sub('',s) #去掉SCRIPT s=re_style.sub('',s)#去掉style s=re_br.sub('\n',s)#将br转换为换行 s=re_h.sub('',s) #去掉HTML 标签 s=re_comment.sub('',s)#去掉HTML注释 #去掉多余的空行 blank_line=re.compile('\n+') s=blank_line.sub('\n',s) s=replaceCharEntity(s)#替换实体 return s def replaceCharEntity(htmlstr): CHAR_ENTITIES={'nbsp':' ','160':' ', 'lt':'<','60':'<', 'gt':'>','62':'>', 'amp':'&','38':'&', 'quot':'"','34':'"',} re_charEntity=re.compile(r'&#?(?P<name>\w+);') sz=re_charEntity.search(htmlstr) while sz: entity=sz.group()#entity全称，如> key=sz.group('name')#去除&;后entity,如>为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('',htmlstr,1) sz=re_charEntity.search(htmlstr) return htmlstr if __name__=='__main__': s=file('index.html').read() news=filter_tags(s) print news |
自定义过滤什么标签
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
import re def clean_tags(page, tag): reTRIM = r'<{0}[^<>]*?>([\s\S]*?)<\/{0}>' return re.sub(reTRIM.format(tag), "", page, flags=re.I) def clean_tags_hasprop(page, tag, prop): reTRIM = r'<{0}[^<>]+?{1}.*?>([\s\S]*?)<\/{0}>' return re.sub(reTRIM.format(tag,prop), "", page, flags=re.I) def clean_tags_only(page, tag): reTRIM = r'<\/?{0}[^<>]*?>' return re.sub(reTRIM.format(tag), "", page, flags=re.I) def clean_tags_exactly(page, tag): reTRIM = r'<\/?{0}>' return re.sub(reTRIM.format(tag), "", page, flags=re.I) |
遍历 html 中的子标签，修改替换
|
1 2 3 4 5 6 7 8 9 10 11 |
def etree_replace_tag(html): root = etree.HTML(html) for i in root.iter(): for t in ["p", "strong"]: if i.tag == 'span' and i.attrib.get('class') == f'bjh-{t}': i.tag = t i.attrib.pop('class', '') html = etree.tounicode(root).replace("<html><body>", "").replace("</body></html>", "") return clean_html(html) |
清除特定的 html 标签
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
def clean_html(html_str): """ 清洗html """ if isinstance(html_str, str): # clean_img = re.sub(r'<img.*?src="(.*?)".*?>', # '<img src="\g<1>">', html_str) remove_tags = re.sub( r'<(?!p|b|strong|br|/strong|/p)[^<>]*?>', '', html_str).strip() new_html = re.sub(r'<p[^>]*?>', '<p>', remove_tags) new_html = re.sub(r'^[\s]{3,100}', ' ', new_html) return new_html else: raise ValueError("传入的参数不是字符串") |
支付宝扫一扫
