Python去除html标签的方法
最近小说看得比较多，但是很多小说网站都存在各种小广告，看起来很不方便，所以就自己写了个小程序，把小说都爬下来，然后搭个自己喜欢web页面来看。
在爬取过程中没有出现太大的问题，只有在清洗数据时，发现小说文本中混杂HTML标签，所以就需要对标签进行清洗。
我自己尝试了字符串的处理方式，正则，还有lxml等方式来处理这个问题，现在记录一下使用方式。
我们使用下面这个字符串举例说明，内容为一段html代码。需要对这段字符串进行处理，提取文本
html = '<p>你好</p><br/><font>哈哈</font><b>大家好</b>'
1. 使用正则来处理
import re
pattern = re.compile(r'<[^>]+>',re.S)
result = pattern.sub('', html)
print(result)
输出结果：
你好哈哈大家好
2. 使用BeautifulSoup来处理
from bs4 import BeautifulSoup soup = BeautifulSoup(html,'html.parser') print(soup.get_text())
输出结果：
你好哈哈大家好
3. 使用lxml来出来
from lxml import etree
response = etree.HTML(text=html)
# print(dir(response))
print(response.xpath('string(.)'))
输出结果：
你好哈哈大家好
python正则表达式去除html标签的属性
import re test='<p class="pictext" align="center">陈细妹</p>' test=re.sub(r'(<[^>\s]+)\s[^>]+?(>)', r'\1\2', test) print(test)
输出
<p>陈细妹</p>
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
原文地址：https://blog.csdn.net/ares_beyong/article/details/121284781
