当前位置:Gxlcms > PHP教程 > Python清理HTML标签类似PHP的strip_tags函数功能(二)

Python清理HTML标签类似PHP的strip_tags函数功能(二)

时间:2021-07-01 10:21:17 帮助过:10人阅读

没有发现Python 有现成的类似功能模块,所以昨天写了个简单的 strip_tags 但还有些问题,今天应用到采集上时进行了部分功能的完善,

1. 对自闭和标签处理

2. 以及对标签参数的过滤


def strip_tags(html, save_tags=None, save_attrs=None):    result = []    start = []    data = []    # 特殊的自闭和标签, 按 HTML5 的规则, 如 
不再使用 /> 结尾 special_end_tags = [ 'area', 'base', 'br', 'col', 'embed', 'hr', 'img', 'input', 'keygen', 'link', 'meta', 'param', 'source', 'track', 'wbr' ] def starttag(tag, attrs): if tag not in save_tags: return start.append(tag) my_attrs = [] if attrs: for attr in attrs: if save_attrs and attr[0] not in save_attrs: continue my_attrs.append(attr[0] + '="' + attr[1] + '"') if my_attrs: my_attrs = ' ' + (' '.join(my_attrs)) else: my_attrs = '' else: my_attrs = '' result.append('<' + tag + my_attrs + '>') def endtag(tag): if start and tag == start[len(start) - 1]: # 特殊自闭和标签按照HTML5规则不加反斜杠直接尖括号结尾 if tag not in special_end_tags: result.append('') parser = HTMLParser() parser.handle_data = result.append if save_tags: parser.handle_starttag = starttag parser.handle_endtag = endtag parser.feed(html) parser.close() for i in range(0, len(result)): tmp = result[i].rstrip('\n') tmp = tmp.lstrip('\n') if tmp: data.append(tmp) return ''.join(data)

人气教程排行