剥离文本中的标签

在网页开发中，经常会需要从HTML文本中剥离出标签，只留下纯文本内容。本文介绍几种方法来完成这个任务。

方法一：使用正则表达式

正则表达式是一种强大的文本匹配工具，在这里也可以派上用场。下面是一个简单的示例代码：

import re

# 定义一个HTML文本
html_text = "<h1>这是一个标题</h1><p>这是一段文字</p>"

# 使用正则表达式剥离标签
text = re.sub("<.*?>", "", html_text)

print(text)

输出结果为：

这是一个标题这是一段文字

解析：

正则表达式<.*?>可以匹配任意一个HTML标签，其中：

• <和>是标签的左右定界符；
• .*?表示匹配任意个任意字符，但是尽可能少地匹配，遇到右定界符>就停止。

调用re.sub函数可以将匹配到的标签替换为空字符串，从而达到剥离标签的效果。

方法二：使用 BeautifulSoup

Beautiful Soup是一个Python库，可以从HTML或XML文件中提取数据。下面是一个简单的示例代码：

from bs4 import BeautifulSoup

# 定义一个HTML文本
html_text = "<h1>这是一个标题</h1><p>这是一段文字</p>"

# 使用 Beautiful Soup 对象剥离标签
soup = BeautifulSoup(html_text, "html.parser")
text = soup.get_text()

print(text)

输出结果为：

这是一个标题这是一段文字

解析：

首先将HTML文本传给BeautifulSoup对象，并指定解析器类型（这里是html.parser）。

然后获取对象的文本内容，调用方法soup.get_text()即可。此方法会将整个文档的所有标签都去掉，只剩下纯文本。

方法三：使用 lxml.etree

lxml是一个高度封装的Python库，可以提供高效的XML和HTML处理。下面是一个简单的示例代码：

from lxml import etree

# 定义一个HTML文本
html_text = "<h1>这是一个标题</h1><p>这是一段文字</p>"

# 使用 lxml.etree 对象剥离标签
html_tree = etree.HTML(html_text)
text = etree.tostring(html_tree, method="text", encoding="utf-8").decode("utf-8")

print(text)

输出结果为：

这是一个标题这是一段文字

解析：

将HTML文本传给etree.HTML函数生成一个lxml.etree对象。然后调用etree.tostring函数，传入上一步生成的对象，输出方法为"text"，编码方式为"utf-8"。最后将结果解码为utf-8编码的字符串即可。