Question

在尝试提取html页面的标题时，我总是使用以下正则表达式：

(?<=<title.*>)([\s\S]*)(?=</title>)

将提取文档中标记之间的所有内容并忽略标记本身。但是，当尝试在Python中使用此正则表达式时，会引发以下异常：

Traceback (most recent call last):  
File "test.py", line 21, in <module>
    pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
File "C:\Python31\lib\re.py", line 205, in compile
    return _compile(pattern, flags)   
File "C:\Python31\lib\re.py", line 273, in _compile
    p = sre_compile.compile(pattern, flags)   File
"C:\Python31\lib\sre_compile.py", line 495, in compile
    code = _code(p, flags)   File "C:\Python31\lib\sre_compile.py", line 480, in _code
_compile(code, p.data, flags)   File "C:\Python31\lib\sre_compile.py", line 115, in _compile
    raise error("look-behind requires fixed-width pattern")
sre_constants.error: look-behind requires fixed-width pattern

我使用的代码是：

pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

如果我做了一些最小的调整就可以了：

pattern = re.compile('(?<=<title>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

但是，这不会考虑由于某种原因而具有属性或类似特征的潜在html标题。

任何人都知道这个问题的好方法吗？任何提示都表示赞赏。

Answer 1

抛弃使用正则表达式解析HTML的想法，并使用实际的HTML解析库。快速搜索后，我找到this one。从HTML文件中提取信息是一种更安全的方法。

请记住，HTML不是常规语言，因此正则表达式从根本上说是从中提取信息的错误工具。

Answer 2

Here's a famous answer使用正则表达式解析html，这些表达非常好，“不要使用正则表达式来解析html。”

Answer 3

用于提取非嵌套HTML / XML标记内容的正则表达式实际上非常简单：

r = re.compile('<title[^>]*>(.*?)</title>')

但是，对于任何更复杂的东西，你应该使用正确的DOM解析器，如urllib或BeautifulSoup。

Answer 4

如下：

 r = re.compile("(<title.*>)([\s\S]*)(</title>)")
 title = r.search(page).group(2)

Answer 5

如果你只想获得标题标签，

html=urllib2.urlopen("http://somewhere").read()
for item in html.split("</title>"):
    if "<title>" in item:
        print item[ item.find("<title>")+7: ]

Python正则表达式后视需要固定宽度模式

5 个答案: