删除AppEngine Python Env中的HTML标记（相当于Ruby的Sanitize）

Question

我正在寻找一个python模块，它将帮助我摆脱HTML标记，但保留文本值。我以前试过beauthulsoup，但我不知道怎么做这个简单的任务。我试着搜索可以做到这一点的Python模块，但它们似乎都依赖于在AppEngine上不能正常工作的其他库。在

下面是Ruby的sanitize库的示例代码，这就是我在Python中所追求的：

require 'rubygems'
require 'sanitize'

html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'

Sanitize.clean(html) # => 'foo'

谢谢你的建议。在

-电子

Answer 1

使用lxml：

htmlstring = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'

from lxml.html import fromstring

mySearchTree = fromstring(htmlstring)

for item in mySearchTree.cssselect('a'):
    print item.text

Answer 2

>>> import BeautifulSoup
>>> html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />'
>>> bs = BeautifulSoup.BeautifulSoup(html)  
>>> bs.findAll(text=True)
[u'foo']

这将为您提供（Unicode）字符串的列表。如果要将其转换为单个字符串，请使用''.join(thatlist)。在

Answer 3

如果不想使用单独的lib，那么可以导入标准的django实用程序。例如：

from django.utils.html import strip_tags
html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg'
stripped = strip_tags(html)
print stripped 
# you got: foo

而且它已经包含在Django模板中，所以您不需要其他任何东西，只需使用filter，如下所示：

^{pr2}$

顺便说一句，这是最快的方法之一。在