在AppEngine上的Python信封删除HTML标签（相当于Ruby的消毒）

Question

我要寻找一个Python模块，这将帮助我摆脱的HTML标签，但保留文本值。我试图BeautifulSoup之前，我无法弄清楚如何做到这一点简单的任务。我试图寻找Python模块，可以做到这一点，但他们似乎都依赖于它不AppEngine上很好地工作其他库。

下面是Ruby的sanitize方法库中的样本代码，这就是我是什么后，在Python：

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'

感谢您的建议。

-e

Answer 1

>>> 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']

这给你的（Unicode）的字符串列表。如果你想要把它变成一个字符串，使用''.join(thatlist)。

Answer 2

如果你不希望使用独立的库，那么你可以导入标准的Django utils的。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

此外它已经包含在Django模板，所以你不需要别的，只使用过滤器，这样的：

{{ unsafehtml|striptags }}

顺便说一句，这是最快的方法之一。

Answer 3

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 4

#!/usr/bin/python

from xml.dom.minidom import parseString

def getText(el):
    ret = ''
    for child in el.childNodes:
        if child.nodeType == 3:
            ret += child.nodeValue
        else:
            ret += getText(child)
    return ret

html = '<b>this is <a href="http://foo.com/">a link </a> and some bold text  </b> followed by <img src="http://foo.com/bar.jpg" /> an image'
dom = parseString('<root>' + html + '</root>')
print getText(dom.documentElement)

打印：

  

这是一个链接和一些粗体文本，接着通过图像

Answer 5

晚，但

可以使用Jinja2.Markup（）

http://jinja.pocoo.org/docs/api/# jinja2.Markup.striptags

from jinja2 import Markup 
Markup("<div>About</div>").striptags()
u'About'