Python：从html搜索和收集文本字符串的更好方法。剥离减价，标签等

Question

有很多模块，例如lxml，Beautiful汤，nltk和pyenchant，可以正确过滤出正确的英语单词。但是，然后是什么最干净的最短方法，例如html2text，如果也可以取消降价促销（我写的时候，右边有很多类似的问题）可能有一个通用的正则表达式可以删除所有的html。标签？

def word_parse(f):

    raw = nltk.clean_html(f) #f = url.content here, from "requests" module

    regex = r'[a-zA-Z]+' # | ^[a-zA-Z]+\b'

    match = re.compile(regex)

    ls = []

    for line in raw.split():

        for mat in line.split():

            try:

                v = match.match(mat).group()

                map(ls.append, v.split())

            except AttributeError, e:

                pass

有人可以建议一些好的代码片段吗？有人可以在这里建议更简洁，更优化的代码吗？

Answer 1

我强烈建议您使用现有的库，而不要尝试为此编写自己的正则表达式。例如，其他人已经在“美丽汤”中投入了大量工作，您也可能会因此受益。对于这种特定情况，Beautiful Soup提供了get_text方法：text = BeautifulSoup(f).get_text()