在 Python 中，我们可以使用正则表达式去除 HTML 标签并提取文字。HTML 标签是一种特殊的文本格式，用于描述网页的结构和样式。在实际开发中，我们经常需要从 HTML 文本中提取纯文本内容，这时候就需要使用正则表达式去除 HTML 标签。下面将详细讲解 Python 使用正则表达式去除 HTML 标签的方法。
1. 使用 re.sub() 函数
Python 的 re 模块提供了 sub() 函数，可以用于替换字符串中的子串。我们可以使用 sub() 函数将 HTML 标签替换为空字符串，从而去除 HTML 标签。
以下是一个使用 sub() 函数的示例：
import re
html = '<html><head><title>Title</title></head><body><p>Paragraph</p></body></html>'
text = re.sub(r'<[^>]*>', '', html)
print(text)
这个程序使用 sub() 函数将 HTML 标签替换为空字符串，从而去除 HTML 标签。正则表达式 <[^>]*> 表示匹配任意字符，但是不包括 > 符号。如果匹配成功，则将匹配的字符串替换为空字符串。
2. 使用 BeautifulSoup 库
Python 的 BeautifulSoup 库是一个 HTML 解析库，可以用于解析 HTML 文本并提取其中的内容。我们可以使用 BeautifulSoup 库来去除 HTML 标签并提取纯文本内容。
以下是一个使用 BeautifulSoup 库的示例：
from bs4 import BeautifulSoup
html = '<html><head><title>Title</title></head><body><p>Paragraph</p></body></html>'
soup = BeautifulSoup(html, 'html.parser')
text = soup.get_text()
print(text)
这个程序使用 BeautifulSoup 库解析 HTML 文本，并使用 get_text() 方法提取纯文本内容。如果 HTML 文本中包含多个标签，则 get_text() 方法会将它们的内容合并成一个字符串。
总结
Python 提供了多种方法来去除 HTML 标签并提取纯文本内容，包括使用 re.sub() 函数和 BeautifulSoup 库。在实际开发中，我们可以根据需要选择适当的方法来实现 HTML 文本的处理。
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：Python使用正则表达式去除(过滤)HTML标签提取文字功能 - Python技术站
微信扫一扫 
支付宝扫一扫 
