Python 3で文字列からHTMLを取り除く

PythonでHTMLタグを取り除く方法

Pythonを使用して文字列からHTMLタグを取り除くことは、データクレンジングやテキスト処理の際に非常に役立ちます。この記事では、Python 3でHTMLタグを削除するためのいくつかの方法を紹介し、それぞれの方法のサンプルコードとその結果を示します。

方法1: 正規表現を使用する

正規表現は、文字列操作において強力なツールです。Pythonの標準ライブラリであるreモジュールを使って、HTMLタグを簡単に取り除くことができます。ただし、正規表現はHTMLの複雑な構造を完全にはサポートしないため、単純なケースでの使用が推奨されます。

import re

def remove_html_tags(text):
    clean = re.compile('<.*?>')
    return re.sub(clean, '', text)

html_string = "
Hello, world!
"
clean_text = remove_html_tags(html_string)
print(clean_text)

出力:

Hello, world!

方法2: BeautifulSoupを使用する

BeautifulSoupは、HTMLやXMLファイルをパースして操作するためのPythonライブラリです。このライブラリを使用すると、HTMLタグを簡単に削除できます。BeautifulSoupは、特に複雑なHTML構造を扱う際に便利です。

from bs4 import BeautifulSoup

def strip_html_tags(text):
    soup = BeautifulSoup(text, "html.parser")
    return soup.get_text()

html_string = "
Hello, world!
"
clean_text = strip_html_tags(html_string)
print(clean_text)

出力:

Hello, world!

方法3: lxmlを使用する

lxmlは、XMLやHTMLドキュメントを効率的に処理するためのライブラリです。これを使用すると、HTMLタグを削除することができます。lxmlは、特にパフォーマンスが求められる場合に有用です。

from lxml import etree, html

def clean_html_tags(text):
    tree = html.fromstring(text)
    return tree.text_content()

html_string = "
Hello, world!
"
clean_text = clean_html_tags(html_string)
print(clean_text)

出力:

Hello, world!

まとめ

この記事では、Python 3で文字列からHTMLタグを取り除くための3つの方法を紹介しました。正規表現を使用した方法は簡単ですが、複雑なHTMLには不向きです。BeautifulSoupとlxmlは、より複雑なHTML構造を扱う際に適しています。用途に応じて、最適な方法を選択してください。

Python 3で文字列からHTMLを取り除くという作業は、HTMLタグを含む文字列から純粋なテキストを抽出するプロセスを指します。この作業を行う際には、通常、正規表現や専用のライブラリを使用して、HTMLタグを削除する方法が一般的です。

Python 3では、標準ライブラリのreモジュールを使用して、正規表現を使ってHTMLタグを取り除くことができます。また、Beautiful Soupやlxmlなどのサードパーティライブラリを使用することもできます。

例えば、以下のようなコードを使用して、文字列からHTMLタグを取り除くことができます：

“`python
import re

def remove_html_tags(text):
clean = re.compile(‘<.*?>‘)
return re.sub(clean, ”, text)

html_string = ‘

これはHTMLタグを含むテキストです。

‘
clean_text = remove_html_tags(html_string)
print(clean_text)
“`

このコードでは、`<.*?>`という正規表現パターンを使用して、`<`と`>`で囲まれた部分（つまりHTMLタグ）を取り除いています。このようにして、Python 3を使用して文字列からHTMLを取り除くことができます。