Question

如果文字是

<textarea> xyz asdf qwr </textarea>

我正在尝试编写正则表达式，以帮助我以粗体提取文本。

到目前为止，我已经到达了[(<textarea)][</textarea>)]，它将捕获标签，但我还没能实际捕获两个标签之间的文本。

我也尝试了[(<textarea)]+.[</textarea>)]甚至[[(<textarea)]+.[</textarea>)]，但这也没有给出正确的结果。

有人可以对此有所了解或分享一些有助于我找到解决方案的链接吗？

Answer 1

是否有特殊原因必须使用正则表达式来解析看似HTML的内容？我不会这样做。有关最佳说明，请参阅RegEx match open tags except XHTML self-contained tags。

如果您使用BeautifulSoup模块，这将变得非常简单，这将更好地解析HTML（特别是如果它是凌乱的HTML）。

import bs4

f = open("test.html")
soup = bs4.BeautifulSoup(f)

for textarea in soup.find_all('textarea'):
    print textarea.get_text()

Answer 2

你不应该用正则表达式解析HTML - 用HTML解析器解析它！ See this answer

话虽如此，如果你必须使用正则表达式::

方括号[]表示“匹配任何字符”，因此[<(textarea)]表示“匹配＆lt ;,（，t，e，x，t，a，r或）”。< / p>

你可能想要<textarea>(.*?)</textarea>，第1组（第一组括号）是标签的内容。

如果用户在文本区域内写入"</textarea>"，则会出现问题（例如）;然后只提取"</textarea>"的第一次出现。但是，如果你让它变得非贪婪并<textarea>.*</textarea>，那么如果你有多个textarea标签，那么.*将匹配它们而不是单独匹配。这就是使用HTML正则表达式的缺陷。

Answer 3

我认为您很难理解“+”和“*”运算符是指他们关注的模式，而不是他们之前的模式。

>>> import re
>>> re.match(r"\<textarea\>.*\<textarea/\>", target)
>>> re.match(r"\<textarea\>.*\</textarea>", target)
<_sre.SRE_Match object at 0x106528b90>
>>> mo = re.match(r"\<textarea\>.*\</textarea>", target)
>>> mo.groups()
()
>>> mo.group(0)
'<textarea> xyz asdf qwr </textarea>'
>>> mo = re.match(r"\<textarea\>(.*)\</textarea>", target)
>>> mo.groups()
(' xyz asdf qwr ',)
>>> mo.group(0)
'<textarea> xyz asdf qwr </textarea>'
>>> mo.group(1)
' xyz asdf qwr '
>>>

这有帮助吗？

Python-正则表达式匹配＆＃34; <textarea> </textarea>＆＃34;和他们之间的任何事情

3 个答案: