在python中使用正则表达式从文本中删除html标记

我试图查看一个html文件并删除其中的所有标记，这样只剩下文本，但我的正则表达式有问题。这就是我目前所拥有的

import urllib.request, re
def test(url):
html = str(urllib.request.urlopen(url).read())
print(re.findall('<[\w\/\.\w]*>',html))

导入urllib.request，重新
def测试（url）：
html=str（urllib.request.urlopen（url.read（））
打印（关于findall（“”，html））

html是一个简单的页面，有一些链接和文本，但我的正则表达式不会出现！DOCTYPE HTML PUBLIC“-//W3C//DTD HTML4.01过渡//EN”和“a href=“…”标记。有人能解释我需要在正则表达式中更改什么吗？

使用。使用。不要使用解析HTML

---

编辑2010-01-29：这将是lxml的合理起点：

from lxml.html import fromstring
from lxml.html.clean import Cleaner
import requests

url = "https://stackoverflow.com/questions/2165943/removing-html-tags-from-a-text-using-regular-expression-in-python"
html = requests.get(url).text

doc = fromstring(html)

tags = ['h1','h2','h3','h4','h5','h6',
       'div', 'span', 
       'img', 'area', 'map']
args = {'meta':False, 'safe_attrs_only':False, 'page_structure':False, 
       'scripts':True, 'style':True, 'links':True, 'remove_tags':tags}
cleaner = Cleaner(**args)

path = '/html/body'
body = doc.xpath(path)[0]

print cleaner.clean_html(body).text_content().encode('ascii', 'ignore')

您需要内容，因此可能不需要任何javascript或CSS。另外，您可能只需要正文中的内容，而不需要头部的HTML。继续读下去，看看你能轻易去掉什么。比正则表达式聪明多了，不是吗

另外，还要注意unicode编码问题。您很容易得到无法打印的HTML

---

2012-11-08：从使用urllib2更改为。只需使用请求

重新导入
import re
patjunk = re.compile("<.*?>|&nbsp;|&amp;",re.DOTALL|re.M)
url="http://www.yahoo.com"
def test(url,pat):
    html = urllib2.urlopen(url).read()
    return pat.sub("",html)

print test(url,patjunk)

patjunk=re.compile（“| |&；”，re.DOTALL | re.M）
url=”http://www.yahoo.com"
def测试（url，pat）：
html=urllib2.urlopen（url.read（））
返回pat.sub（“，html）
打印测试（url、垃圾邮件）

你说用正则表达式解析HTML有问题吗？哎呀，我简直不敢相信！谁会想到！这些书出现了多大的变化啊！附言：美丽的乌苏。保持冷静，波宾斯。慢慢地往纸袋里呼吸。进来，出去，进来，出去。。。我喜欢这些问题出现的规律性。这就像新问题表单中的“查找类似问题”部分不起作用：如果你花一点时间在上面，你会发现有无数更好的方法来解析HTML，而正则表达式不是其中之一。是的，如果你处理的是宇宙中HTML文档的极小子集，你对它们的格式有着完美的了解。OP的要求很简单，删除所有标签。不需要漂亮的汤。这是OP可能会考虑的两个明显的问题，但是从问题中省略了：文档部分（头部和身体-身体？）和JavaScript（OP是否考虑JavaScript内容的一部分？）。使用BeautifulSoup和lxml，这些都将很容易控制。正则表达式根本不会处理这些。我相信这将处理所有HTML实体：&（[a-z]{1,5}）|（#\d{1,4}））；'