在Python中使用正则表达式去掉字符串里的html标签

用python处理html代码的转义与还原

转义 escape:

import html
s = cgi.escape("""& < >""")
print(s)
>>>  '& < >'

反转义 unescape:

#使用标准库
import html
s = html.unescape('& < >')  
print(s)
>>> '& < >'

有时候会获得一些带html标签的字符串，需要把html标签去掉，获得干净的字符串，这时候可以使用正则表达式。

代码如下：

import re htmeString = '''<ul id="TopNav"><li><a href="/EditPosts.aspx" id="TabPosts">随笔</a></li>         <li><a href="/EditArticles.aspx" id="TabArticles">文章</a></li>         <li><a href="/EditDiary.aspx" id="TabDiary">日记</a></li>         <li><a href="/Feedback.aspx" id="TabFeedback">评论</a></li>         <li><a href="/EditLinks.aspx" id="TabLinks">链接</a></li>         <li id="GalleryTab"><a href="/EditGalleries.aspx" id="TabGalleries">相册</a></li>         <li id="FilesTab"><a href="Files.aspx" id="TabFiles">文件</a></li>         <li><a href="/Configure.aspx" id="TabConfigure">设置</a></li>         <li><a href="/Preferences.aspx" id="TabPreferences">选项</a></li></ul>''' # 方法 1 pre = re.compile('>(.*?)<') s1 = ''.join(pre.findall(htmlString)) print(s1)   # '随笔文章日记评论链接相册文件设置选项' # 方法 2 s2 = re.sub(r'<.*?>','',htmlString) print(s2)   # '\n\n随笔\n文章\n日记\n评论\n链接\n册\n文件\n设置\n选项\n\n' # 再用str.replace()函数去掉'\n' s2 = s2.replace('\n','') print(s2)   # '随笔文章日记评论链接相册文件设置选项'