# -*- coding: utf-8-*-import re##过滤HTML中的标签#将HTML中标签等信息去掉#@param htmlstr HTML字符串.def filter_tags(htmlstr):#先过滤CDATA    re_cdata=re.compile('//
     ]*//\]\]>',re.I) #匹配CDATA    re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script    re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style    re_br=re.compile('
     
      ')#处理换行    re_h=re.compile('
      ]*>')#HTML标签    re_comment=re.compile('
      ')#HTML注释    s=re_cdata.sub('',htmlstr)#去掉CDATA    s=re_script.sub('',s) #去掉SCRIPT    s=re_style.sub('',s)#去掉style    s=re_br.sub('\n',s)#将br转换为换行    s=re_h.sub('',s) #去掉HTML 标签    s=re_comment.sub('',s)#去掉HTML注释#去掉多余的空行    blank_line=re.compile('\n+')    s=blank_line.sub('\n',s)    s=replaceCharEntity(s)#替换实体return s##替换常用HTML字符实体.#使用正常的字符替换HTML中特殊的字符实体.#你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.#@param htmlstr HTML字符串.def replaceCharEntity(htmlstr):    CHAR_ENTITIES={'nbsp':' ','160':' ','lt':'<','60':'<','gt':'>','62':'>','amp':'&','38':'&','quot':'"','34':'"',}    re_charEntity=re.compile(r'&#?(?P
      
       \w+);')    sz=re_charEntity.search(htmlstr)while sz:        entity=sz.group()#entity全称，如>        key=sz.group('name')#去除&;后entity,如>为gttry:            htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)            sz=re_charEntity.search(htmlstr)except KeyError:#以空串代替            htmlstr=re_charEntity.sub('',htmlstr,1)            sz=re_charEntity.search(htmlstr)return htmlstrdef repalce(s,re_exp,repl_string):return re_exp.sub(repl_string,s)if __name__=='__main__':    s=file('Google.htm').read()    news=filter_tags(s)print news
      
     

# -*- coding: utf-8-*-import re##过滤HTML中的标签#将HTML中标签等信息去掉#@param htmlstr HTML字符串.def filter_tags(htmlstr):#先过滤CDATA    re_cdata=re.compile('//
     ]*//\]\]>',re.I) #匹配CDATA    re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.I)#Script    re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style    re_br=re.compile('
     
      ')#处理换行    re_h=re.compile('
      ]*>')#HTML标签    re_comment=re.compile('
      ')#HTML注释    s=re_cdata.sub('',htmlstr)#去掉CDATA    s=re_script.sub('',s) #去掉SCRIPT    s=re_style.sub('',s)#去掉style    s=re_br.sub('\n',s)#将br转换为换行    s=re_h.sub('',s) #去掉HTML 标签    s=re_comment.sub('',s)#去掉HTML注释#去掉多余的空行    blank_line=re.compile('\n+')    s=blank_line.sub('\n',s)    s=replaceCharEntity(s)#替换实体return s##替换常用HTML字符实体.#使用正常的字符替换HTML中特殊的字符实体.#你可以添加新的实体字符到CHAR_ENTITIES中,处理更多HTML字符实体.#@param htmlstr HTML字符串.def replaceCharEntity(htmlstr):    CHAR_ENTITIES={
   'nbsp':' ','160':' ','lt':'<','60':'<','gt':'>','62':'>','amp':'&','38':'&','quot':'"','34':'"',}    re_charEntity=re.compile(r'&#?(?P
      
       \w+);')    sz=re_charEntity.search(htmlstr)while sz:        entity=sz.group()#entity全称，如>        key=sz.group('name')#去除&;后entity,如>为gttry:            htmlstr=re_charEntity.sub(CHAR_ENTITIES[key],htmlstr,1)            sz=re_charEntity.search(htmlstr)except KeyError:#以空串代替            htmlstr=re_charEntity.sub('',htmlstr,1)            sz=re_charEntity.search(htmlstr)return htmlstrdef repalce(s,re_exp,repl_string):return re_exp.sub(repl_string,s)if __name__=='__main__':    s=file('Google.htm').read()    news=filter_tags(s)print news