Supprimer les balises HTML dans AppEngine Python Env (équivalent à Ruby's Sanitize)

Question

Je suis à la recherche d'un module python qui m'aidera à me débarrasser des balises HTML tout en conservant les valeurs du texte. J'ai essayé BeautifulSoup avant et je ne pouvais pas comprendre comment faire cette tâche simple. J'ai essayé de rechercher des modules Python qui pourraient le faire mais ils semblent tous dépendre d'autres bibliothèques qui ne fonctionnent pas bien sur AppEngine.

est un code ci-dessous exemple de la bibliothèque de sanitize Ruby et c'est ce que je suis après en Python:

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' 

Merci pour vos suggestions.

-e

Answer 1

>>> import BeautifulSoup 
>>> html = '<b><a href="http://foo.com/">foo</a></b><img src="http://foo.com/bar.jpg" />' 
>>> bs = BeautifulSoup.BeautifulSoup(html) 
>>> bs.findAll(text=True) 
[u'foo'] 

Cela vous donne une liste de chaînes (Unicode). Si vous souhaitez le transformer en une seule chaîne, utilisez ''.join(thatlist).

Answer 2

En utilisant 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 

Answer 3

#!/usr/bin/python 

from xml.dom.minidom import parseString 

def getText(el): 
    ret = '' 
    for child in el.childNodes: 
     if child.nodeType == 3: 
      ret += child.nodeValue 
     else: 
      ret += getText(child) 
    return ret 

html = '<b>this is <a href="http://foo.com/">a link </a> and some bold text </b> followed by <img src="http://foo.com/bar.jpg" /> an image' 
dom = parseString('<root>' + html + '</root>') 
print getText(dom.documentElement) 

Prints:

c'est un lien et un texte en gras suivi d'une image

Answer 4

Si vous ne souhaitez pas utiliser libs séparés alors vous pouvez importer des utils standards de django . Par exemple:

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 

également son déjà inclus dans les modèles de Django, de sorte que vous ne avez pas besoin toute autre chose, utilisez simplement le filtre, comme ceci:

{{ unsafehtml|striptags }} 

BTW, c'est l'un des plus rapide.

Answer 5

Fin, mais.

Vous pouvez utiliser Jinja2.Markup()

http://jinja.pocoo.org/docs/api/#jinja2.Markup.striptags

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