如何移除HTML标签提取文本？附示例代码与预期结果

方法一：使用BeautifulSoup（推荐） #

BeautifulSoup是专门处理HTML/XML的解析库，能应对各种复杂的HTML结构，解析结果更可靠。

1. 先安装依赖库：

pip install beautifulsoup4

2. 实现get_text函数：

from bs4 import BeautifulSoup

def get_text(text):
    # 解析HTML文本
    soup = BeautifulSoup(text, 'html.parser')
    # 找到所有<option>标签
    option_tags = soup.find_all('option')
    # 提取每个标签内的文本并去除首尾空白
    return [tag.get_text(strip=True) for tag in option_tags]

3. 测试调用：

text = """
<option value="tfa_4472" id="tfa_4472" class="">helo 1</option>
<option value="tfa_4473" id="tfa_4473" class="">helo 2</option>
<option value="tfa_4474" id="tfa_4474" class="">helo 3</option>
<option value="tfa_4475" id="tfa_4475" class="">helo 4</option>
<option value="tfa_4476" id="tfa_4476" class="">helo 5</option>
"""

my_list = get_text(text)
for item in my_list:
    print(item)

运行后输出：

helo 1
helo 2
helo 3
helo 4
helo 5

方法二：使用正则表达式（适合简单场景） #

如果你的HTML结构非常规整，没有嵌套标签或特殊格式，也可以用正则快速提取。但注意正则无法处理复杂HTML，容易出现匹配错误。

实现代码：

import re

def get_text(text):
    # 匹配<option>标签内的内容，捕获组提取文本
    regex_pattern = re.compile(r'<option[^>]*>(.*?)</option>', re.DOTALL)
    # 找出所有匹配项
    raw_matches = regex_pattern.findall(text)
    # 清理每个匹配结果的空白字符
    return [match.strip() for match in raw_matches]

调用后同样能得到目标输出。

内容的提问来源于stack exchange，提问作者Hoàng Tuyến