Python でテキストから HTML タグを効率的に取り除くにはどうすればよいですか?

原始的なテキスト表現のために Python で HTML タグを削除する

HTML 応答の操作では、多くの場合、書式タグを削除しながら関連するテキスト コンテンツを抽出する必要があります。これは、HTML タグを効果的に削除し、目的のプレーン テキストを残すことで実現できます。

Python の MLStripper を使用してテキストのみの抽出を実現

削除プロセスを合理化するには、 Python 標準ライブラリには、この目的のために特別に設計された効率的な関数 MLStripper が用意されています。 MLStripper は HTML 入力を取得して解析し、マークアップ以外のコンテンツのみを保持します。

Python 3 および 2 の実装

Python のバージョンに応じて、次のものを利用できます。コードスニペット:

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()

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()

使用法:

strip_tags を呼び出すだけですHTML 入力を文字列引数として渡す関数。返される値は、すべての HTML タグが削除されたストリング文字列になります。

この手法は、HTML ソースから抽出されたテキスト データを操作する必要がある場合に非常に役立ち、クリーンで管理しやすいテキスト表現を保証します。

以上がPython でテキストから HTML タグを効率的に取り除くにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。