从给定字符串中删除 HTML 标签的程序

有时候我们需要从包含 HTML 标签的字符串中提取纯文本内容，这时就需要一个程序来删除 HTML 标签。本文将介绍两种方法来实现此功能。

方法一：使用正则表达式

正则表达式是处理文本的强大工具，我们可以使用正则表达式来匹配 HTML 标签，并将其删除。下面是一个示例程序：

import re

def remove_html_tags(text):
    clean = re.compile('<.*?>')
    return re.sub(clean, '', text)

html = "<p>This is <b>bold text</b> and this is <a href='https://www.example.com'>link</a>.</p>"
text = remove_html_tags(html)

print(text)   # This is bold text and this is link.

代码解释：

1. 首先导入 re 模块，它提供了对正则表达式的支持。
2. 定义一个名为 remove_html_tags 的函数，它接收一个文本字符串作为参数。
3. 创建一个名为 clean 的正则表达式，它用于匹配 HTML 标签。
4. 使用 re.sub() 函数替换所有匹配的 HTML 标签为空字符串（即删除它们）。
5. 调用 remove_html_tags() 函数并传入 HTML 字符串，得到一个不包含 HTML 标签的纯文本字符串。
6. 打印输出结果。

优点：简单易懂，代码量少，适用于一般的 HTML 文本。

缺点：可能会漏掉某些复杂的 HTML 标签或结构，例如注释、CDATA、嵌套标签等。

方法二：使用第三方库

除了正则表达式之外，我们还可以使用第三方库来处理 HTML 文本。其中最常见的是 BeautifulSoup 库，它可以解析 HTML 文档，并提供了许多方法来操作 HTML 标签和属性。下面是一个示例程序：

from bs4 import BeautifulSoup

def remove_html_tags(text):
    soup = BeautifulSoup(text, "html.parser")
    return soup.get_text()

html = "<p>This is <b>bold text</b> and this is <a href='https://www.example.com'>link</a>.</p>"
text = remove_html_tags(html)

print(text)   # This is bold text and this is link.

代码解释：

1. 首先导入 BeautifulSoup 类。
2. 定义一个名为 remove_html_tags 的函数，它接收一个文本字符串作为参数。
3. 使用 BeautifulSoup 类解析 HTML 字符串，并创建一个 soup 对象。
4. 使用 soup.get_text() 方法获取纯文本内容。
5. 调用 remove_html_tags() 函数并传入 HTML 字符串，得到一个不包含 HTML 标签的纯文本字符串。
6. 打印输出结果。

优点：可以正确处理各种复杂的 HTML 标签和结构，具有更好的可靠性和鲁棒性。

缺点：需要安装第三方库，稍微有些麻烦，代码量相对较大。

总结

以上两种方法各有优缺点，在实际操作中可以根据需求和情况选择合适的方法。无论是使用正则表达式还是第三方库，都应该保持代码的可读性和可维护性，以确保程序的正确性和效率。