Python 正則表達式移除所有 HTML 標籤

需求：從字串移除 HTML 標籤，保留內容文字。正則 r'<[^>]+>' 匹配尖括號內所有字元 (貪婪模式下需非貪婪或排除 >)，re.S 讓 . 匹配換行。

程式碼

import re

html = '腳本之家,Python學習！'
dr = re.compile(r'<[^>]+>', re.S)
clean = dr.sub('', html)
print(clean)  # 腳本之家,Python學習！

正則解析

• <：匹配左尖括號。
• [^>]+：匹配一個或多個非右尖括號字元。
• >：匹配右尖括號。
• re.S：DOTALL 模式，跨行匹配 (此處 [^>] 已包含換行，非必需但保險)。

局限性

1. 無法處理屬性值含 > 的情況 (如 <div title="a>b">)，需 HTML 解析器。
2. 不處理註解 <!-- -->、CDATA、DOCTYPE。
3. 巢狀標籤正確移除外層，內容保留。

健壯替代方案

from html.parser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        super().__init__()
        self.reset()
        self.strict = False
        self.convert_charrefs = True
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

或使用 BeautifulSoup：soup.get_text()。

適用場景

• 簡單、可控、無惡意輸入的 HTML 片段清洗。
• 效能要求高、不願引入依賴的場合。

正則移除標籤屬「足夠好」方案，複雜 HTML 請用專用解析器。