Seguro que más de una vez te has encontrado una cadena de texto con código HTML de la que quieres extraer las etiquetas HTML para quedarte solo con el contenido y así poder procesarlo. Pues aquí llega Python al rescate, ya que eliminar etiquetas HTML con Python es algo realmente sencillo.
La idea es la siguiente, imagina que partimos de la siguiente cadena con texto y elementos HTML:
codigo_html = "<div><span>Esto es una cadena en <strong>negrita</strong></span></div>"
Lo primero será saber cómo puedo localizar las etiquetas HTML dentro de la cadena y luego eliminarlas. Como las etiquetas HTML se identifican claramente por delimitarse entre los símbolos de menor < y mayor > vamos a recurrir a un módulo que trabaje con expresiones regulares, en este caso el módulo re de Python.
Y es que el módulo re de Python tiene un método que se llama .sub() el cual permite realizar reemplazos de cadenas buscando un patron. La sintaxis del método .sub() es la siguiente:
re.sub(pattern, repl, string, count=0, flags=0)
Lo que vemos es que los parámetros que espera son pattern que contendrá la expresión regular de la búsqueda, repl que es el texto con el que queremos sustituir el patrón y string que es la cadena sobre la cual queremos realizar la búsqueda y sustitución.
Así que la idea será utilizar este método .sub() para poder realizar la búsqueda de las etiquetas HTML y reemplazarlo por una cadena vacía, lo cual implicará su eliminación.
Pero, ¿cuál es el patrón para poder detectar un elemento HTML? Pues ya hemos dicho que los elementos HTML se caracterizan por empezar por un símbolo menor y acabar con un símbolo mayor, con cualquier contenido dentro de ellos, ya que la verdad no nos importa saber qué tipo de elemento es. Por lo tanto podemos definir el patrón para poder buscar elementos HTML de la siguiente manera:
<.*?>
En esta expresión regular vemos los símbolos de menos y mayor pero dentro utilizamos otros símbolos como son: el punto (.) para indicar que puede ser cualquier carácter, el asterisco (*) Para indicar que ese carácter puede aparecer 0 o n veces y el símbolo de cierre de interrogación (?) para soportar si hay una o más repeticiones de la misma cadena.
Con todo esto ya podemos invocar a nuestro método .sub() con el patrón descrito anteriormente y sustituyéndolo con una cadena vacía. El código sería el que vemos a continuación:
re.sub('<.*?>','',codigo_html)
De esta manera, el resultado de la operación será el siguiente:
💡 Esto es una cadena en negrita
Una línea de código muy sencilla, la cual estoy convencido que utilizarás muchas veces para poder eliminar etiquetas HTML con Python.
