Question

例如，这是我的字符串：

myString = "<html><body><p>Hello World!</p><p>Hello Dennis!</p></body></html>"

我想要实现的是：

myList = ['Hello World!','Hello Dennis!']

使用正则表达式或其他方法，如何在忽略html标记以实现myString的同时从myList中过滤掉段落文本？

我试过了：

import re
a="<body><p>Hello world!</p><p>Hello Denniss!</p></body>"
result=re.search('<p>(.*)</p>', a)
print result.group(1)

结果导致：Hello world!</p><p>Hello Denniss!当我尝试(.*)(.*)时，我得到Hello World!

这个字符串只是一个例子。该字符串也可能是<garbage>abcdefghijk<gar<bage>，具体取决于Web开发人员如何对网站进行编码。

这可能是一个复杂的正则表达式，但我需要了解这一点，因为它将用于我将参加今年晚些时候的网络安全竞赛，我认为最好的办法是开发一种算法，在{ {1}}和>。

我该怎么做？

很抱歉，如果我的问题格式不正确，我会遇到一些学习问题。

Answer 1

您想删除html文字中的所有代码吗？我不会选择正则表达式，更好的其他方法，例如使用BeautifulSoup，你会在黑客会议上给所有人带来惊喜：

from bs4 import BeautifulSoup

myString = "<html><body><p>Hello World!</p><p>Hello Dennis!</p></body></html>"

myList = list(BeautifulSoup(myString).strings))

它产生：

['Hello World!', 'Hello Dennis!']

Answer 2

使用正则表达式进行HTML解析绝对是limited，但如果您想要真正的HTML挖掘解决方案，请尝试查看此插件BeautifulSoup。

至于你的正则表达式，asterisk量词是贪婪它会一直gorge直到</p>的最后一个。因此，您应该使用(?=XXX)命令，这意味着搜索，直到找到XXX 。

尝试以下方法：

re.findall(r'<p>(.*?)(?=</p>)', s)

根据位置将字符串过滤到列表中 - Python

2 个答案: