如何在Python中高效率地從HTML字串中提取文字內容？

在Python 中從HTML 字串中提取內容

在Python 中處理HTML 資料時，通常需要去除格式標籤並保留僅文字內容。這種簡化的資料視圖對於總結文字、執行自然語言處理和其他任務非常有用。

在 Python 中實現此目的的一種方法是透過 MLStripper 類，它利用 Python 的內建 HTML 解析器。

# For 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()

# For 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()

透過將HTML 內容傳遞給strip_tags 函數，您可以輕鬆地只提取HTML 的文字部分HTML：

cleaned_content = strip_tags("<b>Hello</b> world")
# Prints "Hello world"

MLStripper 類別和strip_tag_tags 函數提供了一個標籤種在Python 中處理HTML 內容的便利方法，讓您可以專注於文字內容，而不受格式化標籤的干擾。

以上是如何在Python中高效率地從HTML字串中提取文字內容？的詳細內容。更多資訊請關注PHP中文網其他相關文章！