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

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BeautifulSoup，但我不知道如何完成这个简单的任务。我试着搜索能够做到这一点的Python模块，但它们似乎都依赖于其他在AppEngine上不能很好工作的库

下面是Ruby的sanitize库中的示例代码，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

-e

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

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

这将提供Unicode字符串的列表。如果要将其转换为单个字符串，请使用.jointhatlist

这将提供Unicode字符串的列表。如果要将其转换为单个字符串，请使用.jointhatlist

印刷品：

这是一个链接和一些粗体文本，后跟一个图像

印刷品：

这是一个链接和一些粗体文本，后跟一个图像

---

如果不想使用单独的lib，那么可以导入标准的django utils。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

---

顺便说一句，这是最快的方法之一。

如果不想使用单独的lib，那么可以导入标准的django util。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

顺便说一句，这是最快的方法之一。

晚了，但是

您可以使用Jinja2.Markup

很晚了，但是

您可以使用Jinja2.Markup

---

谢谢阿玛霍什。我认为应用程序引擎支持minidom，所以应该可以很好地工作。Amarghosh，我接受了Alex的回答，因为BeautifulSoup似乎可以更好地处理糟糕的标记。非常感谢您提供的代码片段，不过我当然可以将其用于我可以信任的标记。谢谢Amarghosh。我认为应用程序引擎支持minidom，所以应该可以很好地工作。Amarghosh，我接受了Alex的回答，因为BeautifulSoup似乎可以更好地处理糟糕的标记。非常感谢您提供的代码片段，不过我当然可以将其用于我可以信任的标记。谢谢，Alex。这应该行得通——上次我尝试BeautifulSoup时，我一个节点一个节点地解析，速度变得非常慢。现在我已经改变了处理HTML代码的方式，我可以使用BeautifulSoup进行清理。我完全忘记了text=True选项。谢谢要在App Engine中使用，请在本地安装BeatifulSoup，并使用/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages中的文件。或者用这个：谢谢你，亚历克斯。这应该行得通——上次我尝试BeautifulSoup时，我一个节点一个节点地解析，速度变得非常慢。现在我已经改变了处理HTML代码的方式，我可以使用BeautifulSoup进行清理。我完全忘记了text=True选项。谢谢要在App Engine中使用，请在本地安装BeatifulSoup，并使用/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages中的文件。或者干脆用这个：谢谢，大红鲍勃。我花了一段时间让我的机器上运行的lxml符合您的代码-它可以工作！我还没有在AppEngine上测试过它，如果它不工作，我会告诉你。lxml似乎也能管理糟糕的标记。谢谢，bigredbob。我花了一段时间让我的机器上运行的lxml符合您的代码-它可以工作！我还没有在AppEngine上测试过它，如果它不工作，我会告诉你。lxml似乎也能管理糟糕的标记。谢谢，米哈伊尔。我来试试。谢谢，米哈伊尔。我要试一试。

{{ unsafehtml|striptags }}

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