在Python中从字符串中剥离HTML

from mechanize import Browser
br = Browser()
br.open('http://somewebpage')
html = br.response().readlines()
for line in html:
  print line

当在HTML文件中打印一行时，我试图找到一种仅显示每个HTML元素的内容而不显示格式本身的方法。如果找到'<a href="whatever.com">some text</a>'，它将仅打印“某些文本”，'<b>hello</b>'打印“ hello”，等等。如何做到这一点？

我一直使用此函数来剥离HTML标记，因为它仅需要Python stdlib：

对于Python 3：

from io import StringIO
from html.parser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        super().__init__()
        self.reset()
        self.strict = False
        self.convert_charrefs= True
        self.text = StringIO()
    def handle_data(self, d):
        self.text.write(d)
    def get_data(self):
        return self.text.getvalue()

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

对于Python 2：

from HTMLParser import HTMLParser
from StringIO import StringIO

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.text = StringIO()
    def handle_data(self, d):
        self.text.write(d)
    def get_data(self):
        return self.text.getvalue()

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

我没有想太多会丢失的情况，但是您可以做一个简单的正则表达式：

re.sub('<[^<]+?>', '', text)

对于不了解正则表达式的用户，这会搜索一个字符串<...>，其内部内容由一个或多个（+）而不是的字符组成<。该?意味着它会匹配它所能找到的最小字符串。例如<p>Hello</p>，它将与匹配<'p>并</p>分开?。没有它，它将匹配整个字符串<..Hello..>。

如果非标记<出现在html中（例如2 < 3），则&...无论如何都应将其标记为转义序列，因此^<可能不必要。

您可以使用BeautifulSoup get_text()功能。

from bs4 import BeautifulSoup

html_str = '''
<td><a href="http://www.fakewebsite.com">Please can you strip me?</a>
<br/><a href="http://www.fakewebsite.com">I am waiting....</a>
</td>
'''
soup = BeautifulSoup(html_str)

print(soup.get_text()) 
#or via attribute of Soup Object: print(soup.text)

建议明确指定解析器（例如）BeautifulSoup(html_str, features="html.parser")，以使输出可再现。

精简版！

import re, cgi
tag_re = re.compile(r'(<!--.*?-->|<[^>]*>)')

# Remove well-formed tags, fixing mistakes by legitimate users
no_tags = tag_re.sub('', user_input)

# Clean up anything else by escaping
ready_for_web = cgi.escape(no_tags)

正则表达式来源：MarkupSafe。它们的版本也可以处理HTML实体，而这一版本却不能。

为什么我不能只剥离标签并留下标签？

让人们远离<i>italicizing</i>事物，而又不让事物i浮起是一回事。但是，接受任意输入并使其完全无害是另一回事。此页面上的大多数技术都会保留未封闭的注释（<!--）和不属于标签（blah <<<><blah）的尖括号等内容。如果HTMLParser版本在未封闭的注释中，则它们甚至可以保留完整的标签。

如果您的模板是{{ firstname }} {{ lastname }}什么？ firstname = '<a'并lastname = 'href="http://evil.com/">'会被此页面上的每个标记剥离器（@Medeiros！除外）允许通过，因为它们本身并不是完整的标记。剥离普通的HTML标签是不够的。

Django的strip_tags最佳答案的改进版本（请参见下一标题），给出以下警告：

绝对不能保证结果字符串是HTML安全的。因此，切勿在strip_tags未先转义的情况下将通话结果标记为安全，例如使用escape()。

遵循他们的建议！

要使用HTMLParser剥离标签，您必须多次运行它。

绕开这个问题的最佳答案很容易。

查看以下字符串（来源和讨论）：

<img<!-- --> src=x onerror=alert(1);//><!-- -->

HTMLParser第一次看到它时，无法分辨出<img...>是标签。它看起来很残破，因此HTMLParser不会摆脱它。它只取出<!-- comments -->，让您

<img src=x onerror=alert(1);//>

该问题已在2014年3月的Django项目中披露。他们的旧时strip_tags基本上与该问题的最佳答案相同。 他们的新版本基本上以循环方式运行它，直到再次运行它不会更改字符串为止：

# _strip_once runs HTMLParser once, pulling out just the text of all the nodes.

def strip_tags(value):
    """Returns the given HTML with all tags stripped."""
    # Note: in typical case this loop executes _strip_once once. Loop condition
    # is redundant, but helps to reduce number of executions of _strip_once.
    while '<' in value and '>' in value:
        new_value = _strip_once(value)
        if len(new_value) >= len(value):
            # _strip_once was not able to detect more tags
            break
        value = new_value
    return value

当然，如果您始终逃避的结果，那么这都不是问题strip_tags()。

2015年3月19日更新：1.4.20、1.6.11、1.7.7和1.8c1之前的Django版本中存在错误。这些版本可能会在strip_tags（）函数中进入无限循环。固定版本如上复制。 更多细节在这里。

复制或使用好东西

我的示例代码无法处理HTML实体-Django和MarkupSafe打包版本可以处理HTML实体。

我的示例代码是从出色的MarkupSafe库中提取的，以防止跨站点脚本编写。它既方便又快速（C加速到其本机Python版本）。它包含在Google App Engine中，并由Jinja2（2.7及更高版本），Mako，Pylons等使用。它可以轻松地与Django 1.7中的Django模板一起使用。

Django的strip_tags和最新版本的其他html实用程序都不错，但是我发现它们不如MarkupSafe方便。它们非常独立，您可以从此文件中复制所需内容。

如果您需要剥离几乎所有标签，则Bleach库很好。您可以让它强制执行诸如“我的用户可以将其斜体显示，但他们不能创建iframe”之类的规则。

了解标签剥离器的属性！对它进行模糊测试！ 这是我用来对此答案进行研究的代码。

令人毛骨悚然的注释 -问题本身是关于打印到控制台的问题，但这是Google针对“从字符串中提取python剥离html”的最高结果，所以这就是为什么网上答案是99％。

我需要一种剥离标签并将 HTML实体解码为纯文本的方法。以下解决方案基于Eloff的答案（我无法使用，因为它剥离了实体）。

from HTMLParser import HTMLParser
import htmlentitydefs

class HTMLTextExtractor(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.result = [ ]

    def handle_data(self, d):
        self.result.append(d)

    def handle_charref(self, number):
        codepoint = int(number[1:], 16) if number[0] in (u'x', u'X') else int(number)
        self.result.append(unichr(codepoint))

    def handle_entityref(self, name):
        codepoint = htmlentitydefs.name2codepoint[name]
        self.result.append(unichr(codepoint))

    def get_text(self):
        return u''.join(self.result)

def html_to_text(html):
    s = HTMLTextExtractor()
    s.feed(html)
    return s.get_text()

快速测试：

html = u'<a href="#">Demo <em>(&not; \u0394&#x03b7;&#956;&#x03CE;)</em></a>'
print repr(html_to_text(html))

结果：

u'Demo (\xac \u0394\u03b7\u03bc\u03ce)'

错误处理：

• 无效的HTML结构可能导致HTMLParseError。
• 无效的命名HTML实体（例如&#apos;，在XML和XHTML中有效，但在纯HTML中无效）将导致ValueError异常。
• 指定代码点超出Python可接受的Unicode范围的数字HTML实体（例如，在某些系统上，基本多语言平面之外的字符）将导致ValueError异常。

安全说明：不要将HTML剥离（将HTML转换为纯文本）与HTML清理（将纯文本转换为HTML）混淆。此答案将删除HTML并将实体解码为纯文本-这不能确保在HTML上下文中安全使用结果。

示例：<script>alert("Hello");</script>将转换为<script>alert("Hello");</script>，这是100％正确的行为，但是如果将生成的纯文本原样插入HTML页面，则显然不够。

规则并不难：每当您在HTML输出中插入纯文本字符串时，即使您“知道”它不包含HTML（例如，因为剥离了HTML内容），也应始终使用（）使用HTML转义它。cgi.escape(s, True)。

（但是，OP询问有关将结果打印到控制台的情况，在这种情况下，无需转义HTML。）

Python 3.4以上版本：（带有doctest！）

import html.parser

class HTMLTextExtractor(html.parser.HTMLParser):
    def __init__(self):
        super(HTMLTextExtractor, self).__init__()
        self.result = [ ]

    def handle_data(self, d):
        self.result.append(d)

    def get_text(self):
        return ''.join(self.result)

def html_to_text(html):
    """Converts HTML to plain text (stripping tags and converting entities).
    >>> html_to_text('<a href="#">Demo<!--...--> <em>(&not; \u0394&#x03b7;&#956;&#x03CE;)</em></a>')
    'Demo (\xac \u0394\u03b7\u03bc\u03ce)'

    "Plain text" doesn't mean result can safely be used as-is in HTML.
    >>> html_to_text('&lt;script&gt;alert("Hello");&lt;/script&gt;')
    '<script>alert("Hello");</script>'

    Always use html.escape to sanitize text before using in an HTML context!

    HTMLParser will do its best to make sense of invalid HTML.
    >>> html_to_text('x < y &lt z <!--b')
    'x < y < z '

    Unrecognized named entities are included as-is. '&apos;' is recognized,
    despite being XML only.
    >>> html_to_text('&nosuchentity; &apos; ')
    "&nosuchentity; ' "
    """
    s = HTMLTextExtractor()
    s.feed(html)
    return s.get_text()

请注意，HTMLParser在Python 3中得到了改进（意味着更少的代码和更好的错误处理）。

有一个简单的方法：

def remove_html_markup(s):
    tag = False
    quote = False
    out = ""

    for c in s:
            if c == '<' and not quote:
                tag = True
            elif c == '>' and not quote:
                tag = False
            elif (c == '"' or c == "'") and tag:
                quote = not quote
            elif not tag:
                out = out + c

    return out

此处说明了此想法：http: //youtu.be/2tu9LTDujbw

您可以在这里看到它的工作原理：http: //youtu.be/HPkNPcYed9M?t=35s

PS-如果您对课程感兴趣（关于使用python进行智能调试），请给我一个链接：http : //www.udacity.com/overview/Course/cs259/CourseRev/1。免费！

别客气！:)

如果您需要保留HTML实体（即&），则在Eloff的answer中添加了“ handle_entityref ”方法。

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def handle_entityref(self, name):
        self.fed.append('&%s;' % name)
    def get_data(self):
        return ''.join(self.fed)

def html_to_text(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

如果要剥离所有HTML标签，我发现的最简单方法是使用BeautifulSoup：

from bs4 import BeautifulSoup  # Or from BeautifulSoup import BeautifulSoup

def stripHtmlTags(htmlTxt):
    if htmlTxt is None:
            return None
        else:
            return ''.join(BeautifulSoup(htmlTxt).findAll(text=True)) 

我尝试了接受的答案的代码，但得到的是“ RuntimeError：超出最大递归深度”，上述代码块未发生这种情况。

一个基于lxml.html的解决方案（lxml是本机库，因此比任何纯python解决方案都快得多）。

from lxml import html
from lxml.html.clean import clean_html

tree = html.fromstring("""<span class="item-summary">
                            Detailed answers to any questions you might have
                        </span>""")

print(clean_html(tree).strip())

# >>> Detailed answers to any questions you might have

另请参阅http://lxml.de/lxmlhtml.html#cleaning-up-html，了解lxml.cleaner的确切功能。

如果在转换为文本之前需要更多控制权，则可能需要通过在构造函数中传递所需的选项来显式使用lxml Cleaner，例如：

cleaner = Cleaner(page_structure=True,
                  meta=True,
                  embedded=True,
                  links=True,
                  style=True,
                  processing_instructions=True,
                  inline_style=True,
                  scripts=True,
                  javascript=True,
                  comments=True,
                  frames=True,
                  forms=True,
                  annoying_tags=True,
                  remove_unknown_tags=True,
                  safe_attrs_only=True,
                  safe_attrs=frozenset(['src','color', 'href', 'title', 'class', 'name', 'id']),
                  remove_tags=('span', 'font', 'div')
                  )
sanitized_html = cleaner.clean_html(unsafe_html)

这是一个简单的解决方案，它基于惊人的快速lxml库剥离HTML标签并解码HTML实体：

from lxml import html

def strip_html(s):
    return str(html.fromstring(s).text_content())

strip_html('Ein <a href="">sch&ouml;ner</a> Text.')  # Output: Ein schöner Text.

Beautiful Soup包会立即为您执行此操作。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html)
text = soup.get_text()
print(text)

这是我对python 3的解决方案。

import html
import re

def html_to_txt(html_text):
    ## unescape html
    txt = html.unescape(html_text)
    tags = re.findall("<[^>]+>",txt)
    print("found tags: ")
    print(tags)
    for tag in tags:
        txt=txt.replace(tag,'')
    return txt

不知道它是否完美，但是解决了我的用例，看起来很简单。

您可以使用其他HTML解析器（例如lxml或Beautiful Soup），该解析器提供仅提取文本的功能。或者，您可以在行字符串上运行正则表达式以去除标记。有关更多信息，请参见Python文档。

我已经成功地将Eloff的答案用于Python 3.1 [非常感谢！]。

我升级到Python 3.2.3，并遇到错误。

在此感谢响应者Thomas K 提供的解决方案是将super().__init__()以下代码插入：

def __init__(self):
    self.reset()
    self.fed = []

...为了使其看起来像这样：

def __init__(self):
    super().__init__()
    self.reset()
    self.fed = []

...，它将适用于Python 3.2.3。

再次感谢Thomas K的修复以及上面提供的Eloff原始代码！

您可以编写自己的函数：

def StripTags(text):
     finished = 0
     while not finished:
         finished = 1
         start = text.find("<")
         if start >= 0:
             stop = text[start:].find(">")
             if stop >= 0:
                 text = text[:start] + text[start+stop+1:]
                 finished = 0
     return text

如果HTML-Parser的解决方案仅运行一次，则它们都是易碎的：

html_to_text('<<b>script>alert("hacked")<</b>/script>

结果是：

<script>alert("hacked")</script>

您打算防止的事情。如果您使用HTML解析器，请对标签计数，直到替换为零为止：

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
        self.containstags = False

    def handle_starttag(self, tag, attrs):
       self.containstags = True

    def handle_data(self, d):
        self.fed.append(d)

    def has_tags(self):
        return self.containstags

    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    must_filtered = True
    while ( must_filtered ):
        s = MLStripper()
        s.feed(html)
        html = s.get_data()
        must_filtered = s.has_tags()
    return html

这是一个快速修复，甚至可以进行优化，但是效果很好。这段代码将所有非空标签替换为“”，并将所有html标签剥离成给定的输入文本。您可以使用./file.py输入输出来运行它

    #!/usr/bin/python
import sys

def replace(strng,replaceText):
    rpl = 0
    while rpl > -1:
        rpl = strng.find(replaceText)
        if rpl != -1:
            strng = strng[0:rpl] + strng[rpl + len(replaceText):]
    return strng


lessThanPos = -1
count = 0
listOf = []

try:
    #write File
    writeto = open(sys.argv[2],'w')

    #read file and store it in list
    f = open(sys.argv[1],'r')
    for readLine in f.readlines():
        listOf.append(readLine)         
    f.close()

    #remove all tags  
    for line in listOf:
        count = 0;  
        lessThanPos = -1  
        lineTemp =  line

            for char in lineTemp:

            if char == "<":
                lessThanPos = count
            if char == ">":
                if lessThanPos > -1:
                    if line[lessThanPos:count + 1] != '<>':
                        lineTemp = replace(lineTemp,line[lessThanPos:count + 1])
                        lessThanPos = -1
            count = count + 1
        lineTemp = lineTemp.replace("&lt","<")
        lineTemp = lineTemp.replace("&gt",">")                  
        writeto.write(lineTemp)  
    writeto.close() 
    print "Write To --- >" , sys.argv[2]
except:
    print "Help: invalid arguments or exception"
    print "Usage : ",sys.argv[0]," inputfile outputfile"

søren-løvborg答案的python 3改编

from html.parser import HTMLParser
from html.entities import html5

class HTMLTextExtractor(HTMLParser):
    """ Adaption of http://stackoverflow.com/a/7778368/196732 """
    def __init__(self):
        super().__init__()
        self.result = []

    def handle_data(self, d):
        self.result.append(d)

    def handle_charref(self, number):
        codepoint = int(number[1:], 16) if number[0] in (u'x', u'X') else int(number)
        self.result.append(unichr(codepoint))

    def handle_entityref(self, name):
        if name in html5:
            self.result.append(unichr(html5[name]))

    def get_text(self):
        return u''.join(self.result)

def html_to_text(html):
    s = HTMLTextExtractor()
    s.feed(html)
    return s.get_text()

对于一个项目，我需要剥离HTML，同时剥离CSS和js。因此，我对Eloffs回答做了一个变体：

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.strict = False
        self.convert_charrefs= True
        self.fed = []
        self.css = False
    def handle_starttag(self, tag, attrs):
        if tag == "style" or tag=="script":
            self.css = True
    def handle_endtag(self, tag):
        if tag=="style" or tag=="script":
            self.css=False
    def handle_data(self, d):
        if not self.css:
            self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

这是一种与当前接受的答案（https://stackoverflow.com/a/925630/95989）类似的解决方案，除了它HTMLParser直接使用内部类（即没有子类），从而使其简洁得多：

def strip_html（文字）：
    零件= []                                                                      
    解析器= HTMLParser（）                                                           
    parser.handle_data = parts.append                                               
    parser.feed（文本）                                                               
    返回''.join（parts）

我正在解析Github自述文件，发现以下内容确实有效：

import re
import lxml.html

def strip_markdown(x):
    links_sub = re.sub(r'\[(.+)\]\([^\)]+\)', r'\1', x)
    bold_sub = re.sub(r'\*\*([^*]+)\*\*', r'\1', links_sub)
    emph_sub = re.sub(r'\*([^*]+)\*', r'\1', bold_sub)
    return emph_sub

def strip_html(x):
    return lxml.html.fromstring(x).text_content() if x else ''

然后

readme = """<img src="https://raw.githubusercontent.com/kootenpv/sky/master/resources/skylogo.png" />

            sky is a web scraping framework, implemented with the latest python versions in mind (3.4+). 
            It uses the asynchronous `asyncio` framework, as well as many popular modules 
            and extensions.

            Most importantly, it aims for **next generation** web crawling where machine intelligence 
            is used to speed up the development/maintainance/reliability of crawling.

            It mainly does this by considering the user to be interested in content 
            from *domains*, not just a collection of *single pages*
            ([templating approach](#templating-approach))."""

strip_markdown(strip_html(readme))

正确删除所有markdown和html。

大多数情况下，使用BeautifulSoup，html2text或@Eloff中的代码，它仍然保留一些html元素，javascript代码...

因此，您可以结合使用这些库并删除markdown格式（Python 3）：

import re
import html2text
from bs4 import BeautifulSoup
def html2Text(html):
    def removeMarkdown(text):
        for current in ["^[ #*]{2,30}", "^[ ]{0,30}\d\\\.", "^[ ]{0,30}\d\."]:
            markdown = re.compile(current, flags=re.MULTILINE)
            text = markdown.sub(" ", text)
        return text
    def removeAngular(text):
        angular = re.compile("[{][|].{2,40}[|][}]|[{][*].{2,40}[*][}]|[{][{].{2,40}[}][}]|\[\[.{2,40}\]\]")
        text = angular.sub(" ", text)
        return text
    h = html2text.HTML2Text()
    h.images_to_alt = True
    h.ignore_links = True
    h.ignore_emphasis = False
    h.skip_internal_links = True
    text = h.handle(html)
    soup = BeautifulSoup(text, "html.parser")
    text = soup.text
    text = removeAngular(text)
    text = removeMarkdown(text)
    return text

它对我来说效果很好，但是可以增强，当然...

简单的代码！这将删除其中的所有标记和内容。

def rm(s):
    start=False
    end=False
    s=' '+s
    for i in range(len(s)-1):
        if i<len(s):
            if start!=False:
                if s[i]=='>':
                    end=i
                    s=s[:start]+s[end+1:]
                    start=end=False
            else:
                if s[i]=='<':
                    start=i
    if s.count('<')>0:
        self.rm(s)
    else:
        s=s.replace('&nbsp;', ' ')
        return s

但是，如果文本中包含<>符号，则不会给出完整的结果。

# This is a regex solution.
import re
def removeHtml(html):
  if not html: return html
  # Remove comments first
  innerText = re.compile('<!--[\s\S]*?-->').sub('',html)
  while innerText.find('>')>=0: # Loop through nested Tags
    text = re.compile('<[^<>]+?>').sub('',innerText)
    if text == innerText:
      break
    innerText = text

  return innerText.strip()

此方法对我而言完美无缺，不需要其他安装：

import re
import htmlentitydefs

def convertentity(m):
    if m.group(1)=='#':
        try:
            return unichr(int(m.group(2)))
        except ValueError:
            return '&#%s;' % m.group(2)
        try:
            return htmlentitydefs.entitydefs[m.group(2)]
        except KeyError:
            return '&%s;' % m.group(2)

def converthtml(s):
    return re.sub(r'&(#?)(.+?);',convertentity,s)

html =  converthtml(html)
html.replace(" ", " ") ## Get rid of the remnants of certain formatting(subscript,superscript,etc).