python - 从Python中的字符串中删除html标签和实体

Question

我从 api.careerbuilder.com 获取 xml 数据 特别是，该字符串包含一些我愿意删除的 html 实体，但没有效果!

我尝试过这样做:

import re
re.sub('\<.*?\>', '', job_title_text)

还有这个

from html.parser import HTMLParser
class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

strip_tags(job_title_text)

最后是这个

import lxml.html
(lxml.html.fromstring(job_title_text)).text_content()

但所有这些都失败了。第二种方法删除了“&”等 html 实体，但保留了标签内的文本，例如“pbrspan”。第三个完全毁了一切，根本没有显示任何数据，而是

< bound method HtmlElement.text_content of < Element html at 0x33717d8> >

最后，我怀疑我编写的正则表达式完全错误。 有什么想法，如何处理？

Answer 1

尝试这个正则表达式

(\<).*?(\>)