Python 正则 处理网页

# -*- coding: utf-8-*-
import re
##过滤HTML中的标签
#将HTML中标签等信息去掉
#@param htmlstr HTML字符串.
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(‘
‘)#处理换行
re_h=re.compile(‘]*>’)#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

##替换常用HTML字符实体.
#使用正常的字符替换HTML中特殊的字符实体.
#你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.
#@param htmlstr HTML字符串.
def replaceCharEntity(htmlstr):
CHAR_ENTITIES={‘nbsp’:’ ‘,’160′:’ ‘,
‘lt’:’< ','60':'<', 'gt':'>‘,’62’:’>’,
‘amp’:’&’,’38’:’&’,
‘quot’:'”‘,’34’:'”‘,}

re_charEntity=re.compile(r’&#?(?P\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

def repalce(s,re_exp,repl_string):
return re_exp.sub(repl_string,s)

if __name__==’__main__’:
s=file(‘Google.htm’).read()
news=filter_tags(s)
print news

Next ArticleXpath 多级解析