Python3 实现移除字符串中HTML标签及其包裹的全部内部内容

需求对齐 #

常规HTML清洗实现大多遵循「移除标签本身、保留标签内部文本」的逻辑，处理示例输入Blah Blah Blah <div><div>sometext</div></div>时会输出Blah Blah Blah sometext，和目标要求存在本质差异。
我们需要实现的核心逻辑是：只要内容处于任意HTML标签的包裹结构范围内，无论嵌套多少层级、内部是纯文本还是其他标签，全部作为整体清除，仅保留完全游离在所有标签结构外的纯文本。

实现方法 #

方法1：正则快速实现（适合简单规整的HTML片段） #

通过贪婪匹配定位一整个连续的HTML块，直接整体替换为空，代码如下：

import re

def remove_all_wrapped_html(input_str: str) -> str:
    # 匹配从首个开始标签到对应块最后一个闭合标签的完整HTML块，覆盖嵌套场景
    html_block_pattern = re.compile(r'<[^<>]+>.*</[^<>]+>', re.DOTALL)
    cleaned_content = html_block_pattern.sub('', input_str)
    # 清理多余的首尾空白字符
    return cleaned_content.strip()

# 测试验证
test_input = "Blah Blah Blah <div><div>sometext</div></div>"
print(remove_all_wrapped_html(test_input))
# 输出结果：Blah Blah Blah

注意：正则天生对HTML的解析存在局限性，如果遇到未闭合标签、文本中夹杂尖括号的异常结构，可能出现匹配偏差，仅适合结构规整的简单场景。

方法2：标准库解析器实现（可靠无第三方依赖，适配复杂嵌套场景） #

借助Python自带的html.parser.HTMLParser模块追踪标签层级：当层级深度大于0时，说明当前内容处于HTML块内部，直接跳过不收集；只有层级深度为0时，才将当前文本加入最终结果。代码如下：

from html.parser import HTMLParser

class OutOfTagTextCollector(HTMLParser):
    def __init__(self):
        super().__init__()
        # 记录当前处于HTML块的嵌套深度
        self.tag_depth = 0
        # 存储所有标签外的纯文本
        self.collected_parts = []

    def handle_starttag(self, tag, attrs):
        # 遇到开始标签，嵌套深度+1
        self.tag_depth += 1

    def handle_endtag(self, tag):
        # 遇到结束标签，嵌套深度-1，深度不能小于0
        self.tag_depth = max(0, self.tag_depth - 1)

    def handle_data(self, data):
        # 只有嵌套深度为0（完全在HTML块外部）时，才收集文本
        if self.tag_depth == 0:
            self.collected_parts.append(data)

def remove_all_wrapped_html(input_str: str) -> str:
    parser = OutOfTagTextCollector()
    parser.feed(input_str)
    return ''.join(parser.collected_parts).strip()

# 测试验证
test_input = "Blah Blah Blah <div><div>sometext</div></div>"
print(remove_all_wrapped_html(test_input))
# 输出结果：Blah Blah Blah

这个方案不需要安装第三方依赖，能正确追踪多层嵌套的标签结构，不管内部嵌了多少层其他标签，只要处于包裹范围内的内容都会被完全跳过，完全匹配需求。

内容的提问来源于stack exchange，提问作者JasonGenX