从 Python 中的大字符串中删除编码的 HTML 标记

Posted 2023-02-23

【中文标题】从 Python 中的大字符串中删除编码的 HTML 标记

【英文标题】：Remove encoded HTML tags from large string in Python

【发布时间】：2019-12-04 05:43:33

【问题描述】：

我有一个带有“描述”键的 JSON 文件，里面有很多 html 标记。我想抹去它们。它们被编码，例如： <ul> 而不是 <ul>

我尝试过text.replace('<.*?>','')，但它不起作用。 我也尝试过使用 BeautifulSoup 做：

text = soup.get_text()

但它也不起作用（它只是解码 html 标签） 最后，我尝试过这样做：

soup = BeautifulSoup(text)
text = soup.get_text()
text = text.replace('<.*?>','')

结合这两个代码，但标签不会被删除...

我现在在“文本”变量中拥有的内容（在使用解码 html 标签的漂亮汤之后）："description":"</li></ul><p> </p><p><strong>TESTING AND QUALITY</strong></p><ul><li>....."

我想在文本变量中有什么："description":"TESTING AND QUALITY"

【问题讨论】：

您的代码不起作用，因为text.replace() 无法识别正则表达式。它正在寻找文字文本<.*?>，当然不存在。

这可能就是你要找的 - ***.com/questions/9662346/…

【参考方案1】：

您可以尝试使用正则表达式而不是 replace 来丢弃 HTML 标签：

import re

soup = BeautifulSoup(text)
text = soup.get_text()
text = re.sub(r'<.*?>', '', text)

【参考方案2】：

尝试改用decode_contents()