Déroup des balises HTML en python pour une représentation textuelle vierge

manipulant les réponses HTML à extraire le contenu de texte pertinent tout en éliminant les étiquettes de formatage. Cela peut être réalisé en dépouillant efficacement les balises HTML, vous laissant avec le texte brut souhaité.

Atteindre une extraction de texte uniquement avec le processus de décapage de Python, la bibliothèque standard de Python fournit une fonction efficace, Mlstripper, conçu spécialement pour ce but. MlStripper prend l'entrée HTML et l'analyse, ne préservant que le contenu non markup.

Implémentation pour Python 3 et 2

En fonction de votre version python, vous pouvez utiliser les snippets de code suivants:

3:

à partir de io import stringio De Html.Parser Import htmlparser Classe Mlstripper (HTMLParser): def __init __ (soi): 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 ()

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()

de htmlparser import htmlparser à partir de stringio import stringio Classe Mlstripper (HTMLParser): def __init __ (soi): 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 ()

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()

Appelez simplement la fonction strip_tags passant l'entrée html en tant qu'argument de chaîne. La valeur renvoyée sera une chaîne dépouillée avec toutes les balises HTML supprimées.