自己动手实现html去标签和文本提取

时间：2022-09-15 14:30:25

随意观看

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 _char

def isQ(Char):

    return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else False

def 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 _char

def 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 re

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[' ']= ' '

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 _char

def isQ(Char):

    return True if (65281<=ord(Char)<=65374 or ord(Char)==12288) else False

def 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 _char

def 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 raw

def 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 ↩︎

相关文章