如何在Python中有效地从文本中去除HTML标签？

在 Python 中剥离 HTML 标签以获得原始文本表示

操作 HTML 响应通常涉及提取相关文本内容，同时消除格式标签。这可以通过有效地剥离 HTML 标签来实现，留下所需的纯文本。

使用 Python 的 MLStripper 实现纯文本提取

为了简化剥离过程， Python 标准库提供了一个专门为此目的而设计的高效函数 MLStripper。 MLStripper 接受 HTML 输入并解析它，仅保留非标记内容。

Python 3 和 2 的实现

根据您的 Python 版本，您可以使用以下内容代码片段：

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()

用法：

只需调用 strip_tags函数将 HTML 输入作为字符串参数传递。返回的值将是删除了所有 HTML 标签的剥离字符串。

当您需要使用从 HTML 源提取的文本数据时，这种技术被证明是非常有用的，以确保干净且易于管理的文本表示。

以上是如何在Python中有效地从文本中去除HTML标签？的详细内容。更多信息请关注PHP中文网其他相关文章！