问过滤掉HTML标签并解析python中的实体

EN

使用lxml，它是python最好的xml/html库。

import lxml.html
t = lxml.html.fromstring("...")
t.text_content()

如果您只是想清理html，请查看lxml.html.clean module

使用BeautifulSoup！它非常适合这种情况，在这种情况下，您有可疑的优点的传入标记，并且需要从中获得一些合理的东西。只需传入原始文本，提取所有字符串标记，然后将它们连接起来。

虽然我同意Lucas的观点，正则表达式并不那么可怕，但我仍然认为您应该使用专门的HTML解析器。这是因为HTML标准非常复杂(特别是当您想要任意解析从Internet上删除的"HTML“页面时)，您将需要编写大量代码来处理各种情况。看来python includes one out of the box. .。

您还应该检查python bindings for TidyLib，它可以清理损坏的超文本标记语言，使任何超文本标记语言解析的成功率更高。