时间戳

首页 > 解决方案 > 从 Python 中的大字符串中删除编码的 HTML 标记

python - 从 Python 中的大字符串中删除编码的 HTML 标记

问题描述

我有一个带有“描述”键的 JSON 文件，里面有很多 HTML 标签。我想抹去它们。它们被编码，例如： &lt;ul&gt;而不是<ul>

我试过做text.replace('<.*?>','')，但它不起作用。
我也试过用 BeautifulSoup 做：

text = soup.get_text()

但它也不起作用（它只是解码 html 标签）最后，我尝试过这样做：

soup = BeautifulSoup(text)
text = soup.get_text()
text = text.replace('<.*?>','')

结合这两个代码，但标签不会被删除......

我现在在“文本”变量中拥有的内容（在使用解码 html 标签的漂亮汤之后）：
"description":"</li></ul><p> </p><p><strong>TESTING AND QUALITY</strong></p><ul><li>....."

我想在文本变量中拥有什么：
"description":"TESTING AND QUALITY"

标签： pythonhtmlstringparsingreplace

解决方案

您可以尝试使用正则表达式而不是replace丢弃 HTML 标签：

import re

soup = BeautifulSoup(text)
text = soup.get_text()
text = re.sub(r'<.*?>', '', text)

推荐阅读