Python正则使用-替换文本中的html标签

最近因为需要把字符串中的html标签替换掉,想到的是使用正则来做,因为原来模块是用C++码的,所以就用的glibc的regex来做的。后来查资料发现用python来做这件事,简单方便,而且一次性可以完成所有替换,不想用C还需要自己写程序移动指针完成替换。不多说了上代码,很简单。

#! /usr/bin/env python
# -*- coding:gbk -*-

"""
Notes:
    A python script that use regex to replace all the label of a html file
"""

import os
import sys
import re

if __name__ == "__main__":
    input_file = sys.argv[1]
    with open(input_file, 'r') as fp:
        for line in fp:
            line = line.rstrip()
            pattern = re.compile(r'<([^>]*)>')
            match_list = pattern.findall(line)
            for i in range(0, len(match_list)):
                print "matched:%s" %match_list[i]
            line = pattern.sub('', line)
                print line

输入文件

 helle<p>world</p><br/>

输出结果

matched:p
matched:/p
matched:br/
helleworld

这里说一下,Python的re模块的findall函数返回的是正则模式里面组所匹配的内容,可以方便进一步使用。