Python去除HTML标签的几种方法总结
发布时间：2026-10-16 |
6人浏览过
本文总结了在Python中清洗小说数据时去除HTML标签的三种常用方法。通过对比正则表达式、BeautifulSoup解析器以及lxml库的实际代码示例，展示了如何从混杂HTML的字符串中提取纯文本。此外，还介绍了利用正则表达式移除HTML标签属性的技巧，帮助开发者快速实现数据清洗。
Python去除html标签的方法
近期阅读小说较多，许多小说网站充斥大量广告，影响阅读体验。为此，我编写了一个小程序，将小说内容爬取下来，并搭建个人喜欢的Web页面进行阅读。
在爬取过程中，整体流程较为顺利，但在数据清洗阶段发现小说文本中混杂了HTML标签，因此需要对标签进行清理。
我尝试了字符串处理、正则表达式以及lxml等多种方式来处理该问题，现记录具体的使用方式。
以下使用一段包含HTML代码的字符串作为示例，需要对这段字符串进行处理以提取纯文本内容。
html = '<p>你好</p><br/><font>哈哈</font><b>大家好</b>'1. 使用正则来处理
import re
pattern = re.compile(r'<[^>]+>',re.S)
result = pattern.sub('', html)
print(result)
输出结果：
你好哈哈大家好
2. 使用BeautifulSoup来处理
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'html.parser')
print(soup.get_text())
输出结果：
你好哈哈大家好
3. 使用lxml来出来
from lxml import etree
response = etree.HTML(text=html)
# print(dir(response))
print(response.xpath('string(.)'))
输出结果：
你好哈哈大家好
python正则表达式去除html标签的属性
import re
test='<p class="pictext" align="center">陈细妹</p>'
test=re.sub(r'(<[^>\s]+)\s[^>]+?(>)', r'\1\2', test)
print(test)输出
<p>陈细妹</p>
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持本站。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
