Question

我想要一个正则表达式从HTML页面中提取标题。目前我有这个：

title = re.search('<title>.*</title>', html, re.IGNORECASE).group()
if title:
    title = title.replace('<title>', '').replace('</title>', '')

是否有正则表达式只提取＆lt; title＆gt;的内容所以我不必删除标签？

Answer 1

在regexp中使用( )，在python中使用group(1)来检索捕获的字符串（re.search如果找不到结果将返回None ，所以不要直接使用group() ）：

title_search = re.search('<title>(.*)</title>', html, re.IGNORECASE)

if title_search:
    title = title_search.group(1)

Answer 2

请不要使用正则表达式来解析标记语言。使用lxml或beautifulsoup。

Answer 3

尝试使用捕获组：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

Answer 4

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

Answer 5

尝试：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

Answer 6

我可以向你推荐美味汤。 Soup是一个非常好的lib来解析你的所有html文档。

soup = BeatifulSoup(html_doc)
titleName = soup.title.name

Answer 7

提供的代码片段无法处理Exceptions 我可以建议

getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

如果未找到模式或第一次匹配，则默认返回空字符串。

Answer 8

我认为这应该足够了：

#!python
import re
pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE)
pattern.search(text)

...假设您的文本（HTML）位于名为“text。”的变量中。

这也假设没有其他HTML标签可以合法地嵌入HTML TITLE标签内，并且无法合法地嵌入任何其他的＆lt;这样一个容器/块内的字符。

然而 ......

不要在Python中使用正则表达式进行HTML解析。使用HTML解析器！（除非你要编写一个完整的解析器，当各种HTML，SGML和XML解析器已经在标准库中时，这将是一项额外的工作。

如果您处理“真实世界”标记汤 HTML（通常不符合任何SGML / XML验证程序），请使用BeautifulSoup包。它不在标准库中（但是），但是为此目的广泛推荐。

另一种选择是：lxml ...这是为正确结构化（符合标准的）HTML而编写的。但它可以选择回退使用BeautifulSoup作为解析器：ElementSoup。

Answer 9

请注意，从Python 3.8开始并引入assignment expressions (PEP 572)（:=运算符）后，可以通过直接在如果条件作为变量并在条件主体中重复使用：

# pattern = '<title>(.*)</title>'
# text = '<title>hello</title>'
if match := re.search(pattern, text, re.IGNORECASE):
  title = match.group(1)
# hello

Answer 10

KrzysztofKrasoń目前票选最高的答案以<title>a</title><title>b</title>失败。而且，例如出于行长原因，它忽略跨越线边界的标题标签。最后，它失败并显示<title >a</title>（有效的HTML：White space inside XML/HTML tags）。

因此，我提出以下改进：

import re

def search_title(html):
    m = re.search(r"<title\s*>(.*?)</title\s*>", html, re.IGNORECASE | re.DOTALL)
    return m.group(1) if m else None

测试用例：

print(search_title("<title   >with spaces in tags</title >"))
print(search_title("<title\n>with newline in tags</title\n>"))
print(search_title("<title>first of two titles</title><title>second title</title>"))
print(search_title("<title>with newline\n in title</title\n>"))

输出：

with spaces in tags
with newline in tags
first of two titles
with newline
  in title

最终，我和其他人一起推荐HTML解析器-不仅可以处理HTML标签，而且还可以处理HTML标签的非标准用法。

Answer 11

为什么没有人建议使用前瞻和后视，有什么特别的原因吗？我来到这里尝试做完全相同的事情，(?<=<title>).+(?=<\/title>) 效果很好。它只会匹配括号之间的内容，因此您不必做整个组的事情。

Answer 12

我需要匹配 package-0.0.1（名称、版本）但想要拒绝无效版本，例如 0.0.010。

参见 regex101 示例。

import re

RE_IDENTIFIER = re.compile(r'^([a-z]+)-((?:(?:0|[1-9](?:[0-9]+)?)\.){2}(?:0|[1-9](?:[0-9]+)?))$')

example = 'hello-0.0.1'

if match := RE_IDENTIFIER.search(example):
    name, version = match.groups()
    print(f'Name:     {name}')
    print(f'Version:  {version}')
else:
    raise ValueError(f'Invalid identifier {example}')

输出：

Name:     hello
Version:  0.0.1

提取正则表达式匹配的一部分

12 个答案: