正文

自己动手实现html去标签和文本提取

IP云
IP云V管理员/5 阅读
09/30
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

随意观看

  • 工具准备
  • 全角和半角字符
  • 网页字符实体
  • Code实现
  • 之后...

工具准备

  • python3.6
  • 正则表达式(别的语言思路一样，容易借鉴)

python正则表达式：flags的应用

这里主要介绍一下re.compile(pattern[, flags])里面的flags用法

标识符作用
re.I忽略大小写
re.L表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M多行模式
re.S' . '并且包括换行符在内的任意字符（注意：' . '不包括换行符）
re.U表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库

特别强调re.I和re.S的用法

  1. 众所周知，html标签是大小写不敏感的，所以我们需要re.I
  2. 其次html中<style>..</style>、<sript>..</scipt>等一些标签里面是包含换行符的。而我们为了保留原来文本的特点包括换行符，所以需要re.S。让.可以匹配换行符

清洗全角和半角字符

实现字符的清洗工作，否则，jieba词库会将全角数字全部分开。而且，清洗后的半角文本更适合观看

小姿势

中文文字永远是全角，只有英文字母、数字键、符号键才有全角半角的概念,一个字母或数字占一个汉字的位置叫全角，占半个汉字的位置叫半角

全角半角转换说明

  1. 全角字符unicode编码从65281~65374 （十六进制 0xFF01 ~ 0xFF5E）
  2. 半角字符unicode编码从33~126 （十六进制 0x21~ 0x7E）
  3. 空格比较特殊，全角为 12288（0x3000），半角为 32（0x20）

代码实现

def Q2B(_char):#全角转半角
if 65281<=ord(_char)<=65374:
_char = chr(ord(_char)-65248)
elif ord(_char)==12288:
_char = chr(32)
return _chardef isQ(Char):
return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else Falsedef B2Q(_char):#半角转全角
if 33<=ord(_char)<=126:
_char = chr(ord(_char)+65248)
elif ord(_char)==32:
_char = chr(12288)
return _chardef isB(Char):
return True if (33<=ord(Char)<=126 or ord(Char)==32) else False

网页字符实体

标准的html代码中的文本内容是不会出现'<'/' '等这些字符的。现在很多工具都会将网页文本内容处理成标准形式再发布。我们这里讨论的就是标准的html代码及文本内容

html字符实体查询地址

为了方便讨论，我们这里取了几个常用的作为示范，并且构造以下dict

html_char = {}
html_char['&quot;'] = html_char['"']='"'
html_char['&apos;'] = html_char['''] = "'"
html_char['&amp;'] = html_char['&'] = '&'
html_char['&lt;'] = html_char['<'] = '<'
html_char['&gt;'] = html_char['>'] = '>'
html_char['&nbsp;'] = html_char[' ']= ' '

Code实现

难点重点就在这里，做了很多准备工作，幸好python比较方便，其他语言的玩家可以借鉴一下思路

正则Code实现去标签[1]

...
#CDATA 部分由 "<![CDATA[" 开始，由 "]]>" 结束：
cdata_rule = re.compile(r'<![CDATA[.*]]>',re.I | re.S) #去除脚本（随时会出现）
script_rule = re.compile(r'<script.*?</script>',re.I | re.S) #取出<head>..</head>和中间的内容，style也在里面，不需要再写了
head_rule = re.compile(r'<head.*?/head>',re.I | re.S) #为了以防一些文本不是全部截取html代码，还是写一下以防万一
style_rule = re.compile(r'<style.*?/style>',re.I | re.S) #处理注释
comment_rule = re.compile(r'<!.*?>',re.I | re.S) #处理换行
br_rule = re.compile(r'<br\s*?/{0,1}>',re.I) #html标签
html_rule = re.compile(r'<.*?/{0,1}>',re.I)
...

正则Code实现去字符实体

...
global html_char
letter_char = re.compile(r'&[a-z]+;',re.I)
for char in letter_char.findall(raw):
raw = re.sub(char,html_char[char],raw) number_char = re.compile(r'&#\d+;',re.I)
for char in number_char.findall(raw):
raw = re.sub(char,html_char[char],raw)
...

全部代码（含测试文本）

import rehtml_char = {}
html_char['&quot;'] = html_char['"']='"'
html_char['&apos;'] = html_char['''] = "'"
html_char['&amp;'] = html_char['&'] = '&'
html_char['&lt;'] = html_char['<'] = '<'
html_char['&gt;'] = html_char['>'] = '>'
html_char['&nbsp;'] = html_char[' ']= ' 'def Q2B(_char):#全角转半角
if 65281<=ord(_char)<=65374:
_char = chr(ord(_char)-65248)
elif ord(_char)==12288:
_char = chr(32)
return _chardef isQ(Char):
return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else Falsedef B2Q(_char):#半角转全角
if 33<=ord(_char)<=126:
_char = chr(ord(_char)+65248)
elif ord(_char)==32:
_char = chr(12288)
return _chardef isB(Char):
return True if (33<=ord(Char)<=126 or ord(Char)==32) else False#定义一个装饰器，可有可无
def log(clean_html):
def info(*args, **kw):
print("The text after processing:")
return clean_html(*args, **kw)
return info@log
def clean_html(html_str,special_char=None,to_char=None): #这里留个接口，处理特殊字符串
if special_char:
special_rule = re.compile('|'.join(set(special_char)))
if not to_char:
to_char = '' #CDATA 部分由 "<![CDATA[" 开始，由 "]]>" 结束：
cdata_rule = re.compile(r'<![CDATA[.*]]>',re.I | re.S) #去除脚本（随时会出现）
script_rule = re.compile(r'<script.*?</script>',re.I | re.S) #取出<head>..</head>和中间的内容，style也在里面，不需要再写了
head_rule = re.compile(r'<head.*?/head>',re.I | re.S) #为了以防一些文本不是全部截取html代码，还是写一下以防万一
style_rule = re.compile(r'<style.*?/style>',re.I | re.S) #处理注释
comment_rule = re.compile(r'<!.*?>',re.I | re.S) #处理换行
br_rule = re.compile(r'<br\s*?/{0,1}>',re.I) #html标签
html_rule = re.compile(r'<.*?/{0,1}>',re.I) if special_char:
raw = special_rule.sub(to_char,html_str)
else:
raw = html_str raw = cdata_rule.sub('',raw)
raw = script_rule.sub('',raw)
raw = head_rule.sub('',raw)
raw = style_rule.sub('',raw)
raw = comment_rule.sub('',raw)
raw = br_rule.sub('\n',raw)
raw = html_rule.sub('',raw) global html_char
letter_char = re.compile(r'&[a-z]+;',re.I)
for char in letter_char.findall(raw):
raw = re.sub(char,html_char[char],raw) number_char = re.compile(r'&#\d+;',re.I)
for char in number_char.findall(raw):
raw = re.sub(char,html_char[char],raw) raw_list = list(raw)
for i in range(len(raw_list)):
if isQ(raw_list[i]):
raw_list[i] = Q2B(raw_list[i])
raw = ''.join(raw_list) return rawdef test():
test_html = """ <div id="sidebar"> <div id="tools">
<h5 id="tools_example"><a href="/example/xmle_examples.asp">&nbsp;XML 实例,特殊字符：１５（处理之后应该没有了）</a></h5>
<h5 id="tools_quiz"><a href="/xml/xml_quiz.asp"><XML 测验&gt;</a></h5>
<h3>'ｖｅｖｅｖ'</h3>
</div> <div id="ad">
<script type="text/javascript"><!--
google_ad_client = "ca-pub-3381531532877742";
/* sidebar-160x600 */
google_ad_slot = "3772569310";
google_ad_width = 160;
google_ad_height = 600;
//-->
</script>
<script type="text/javascript"
src="http://pagead2.googlesyndication.com/pagead/show_ads.js">
</script>
</div> </div>
""" print(clean_html(test_html,'】１５'))if __name__=='__main__':
test()

进一步

其他脚本引用

在python的其他程序中，可以直接from clean_html import clean_html进行方便的调用(假设这个脚本名字为clean_html.py)

完善

  1. 补充字符实体(可以用爬虫爬下来，有空弄一下)
  2. html标签可能因为前端框架不同而有所差异（虽然不大）。但是都有规律，如<Vue>..</Vue>等，有规律，正则表达式就容易构建了

  1. 代码备注以标明作用 ↩︎