正则表达式删除 HTML 标签 Python

在处理文本数据时，有时候需要将 HTML 标签去除，只保留文本内容。这时可以使用正则表达式来实现。

方法一：使用 re.sub 函数

使用 Python 标准库中的 re 模块，可以使用 re.sub 函数来替换 HTML 标签为普通文本。下面是一个示例程序：

import re

# 待处理的 HTML 文本
html = "<p>This is a <strong>bold</strong> statement.</p>"

# 替换 HTML 标签并输出结果
text = re.sub(r'<[^>]+>', '', html)
print(text)

输出结果为：

This is a bold statement.

在这个示例程序中，使用 re.sub 函数将 HTML 标签替换为空字符串。其中，正则表达式 <[^>]+> 匹配任意 HTML 标签。

方法二：使用 Beautiful Soup 库

Beautiful Soup 是 Python 中一个流行的 HTML 解析库，它可以方便地解析 HTML 文档，提取文本和标签等信息。对于需要将 HTML 标签去除的文本，可以先使用 Beautiful Soup 解析成 DOM 树，再提取其中的纯文本。

下面是一个使用 Beautiful Soup 的示例程序：

from bs4 import BeautifulSoup

# 待处理的 HTML 文本
html = "<p>This is a <strong>bold</strong> statement.</p>"

# 解析 DOM 树并提取文本
soup = BeautifulSoup(html, 'html.parser')
text = soup.get_text()
print(text)

输出结果为：

This is a bold statement.

在这个示例程序中，使用 BeautifulSoup 的 get_text 方法提取 DOM 树中的纯文本内容。

总结

这篇文章介绍了两种方法，使用正则表达式和使用 Beautiful Soup 库，来删除 HTML 标签中的文本。在实际应用中，可以根据实际情况选择适合的方法。