Question

python使用httplib模块等到网页内容后怎么把标签去除?

Answer 1

"试验以下方法：
1）空格怎么替换掉
2）排版缩进怎么处理
3）各种标签需要做特殊处理，比如<h1> <p>
4）表格排版
5）css处理
当然，也可以仅仅简单的用下面的正则表达式（这样会留有一部分问题没有处理）：
html=re.sub(""(?isu)<[^>]+>"","" "",html)
这样就可以将标签去掉。效但效果肯定是不理想的。
注：在其过程中只需要引入import re模版即可。"

Answer 2

有些复杂。需要试验。
1.空格怎么替换掉
2.排版缩进怎么处理
3.各种标签需要做特殊处理，比如<h1> <p>
4.表格排版
5.css处理

如果仅仅简单的用下面的正则表达式也可以。不过，你会发现还有好多问题没有处理

html=re.sub("(?isu)<[^>]+>"," ",html)
这样一句话就可以将标签去掉。效果肯定是不理想的。不过你试试看。

追问

要引入那几个模块？ 谢谢

追答

import re就可以了。

Answer 3

正则表达式、Beautiful Soup都好，前者自己动手，后者方便

Answer 4

用BeautifulSoup

import bs4
#httplib 得到html...
#...
soup = bs4.BeautifulSoup(html)
txt = soup.get_text()