如何在Python中高效地从HTML字符串中提取文本内容？

在 Python 中从 HTML 字符串中提取内容

在 Python 中处理 HTML 数据时，通常需要去掉格式标签并保留仅文本内容。这种简化的数据视图对于总结文本、执行自然语言处理和其他任务非常有用。

在 Python 中实现此目的的一种方法是通过 MLStripper 类，它利用 Python 的内置 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()

通过将 HTML 内容传递给 strip_tags 函数，您可以轻松地仅提取 HTML 的文本部分HTML：

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

MLStripper 类和 strip_tags 函数提供了一种在 Python 中处理 HTML 内容的便捷方法，让您可以专注于文本内容，而不受格式化标签的干扰。

以上是如何在Python中高效地从HTML字符串中提取文本内容？的详细内容。更多信息请关注PHP中文网其他相关文章！