在Python中提取一些HTML标记值

Question

如何使用正则表达式在Python中获取嵌套<b> HTML标记的值？

<a href="/model.xml?hid=90971&amp;modelid=4636873&amp;show-uid=678650012772883921" class="b-offers__name"><b>LG</b> X110</a>

# => LG X110

Answer 1

你没有。

正则表达式不适合处理HTML的嵌套结构。请改用HTML parser。

Answer 2

不要使用正则表达式来解析HTML。使用像BeautifulSoup这样的HTML解析器。看看它有多容易：

from BeautifulSoup import BeautifulSoup
html = r'<a href="removed because it was too long"><b>LG</b> X110</a>'
soup = BeautifulSoup(html)
print ''.join(soup.findAll(text=True))
# LG X110

Answer 3

试试这个......

<a.*<b>(.*)</b>(.*)</a>

$ 1和$ 2应该是您想要的，或者Python用于打印捕获的组的任何方式。

Answer 4

您的问题很难理解，但从给定的输出示例来看，您似乎想从输入文本中删除<和>中的所有内容。这可以这样做：

import re
input_text = '<a bob>i <b>c</b></a>'
output_text = re.sub('<[^>]*>', '', input_text)
print output_text

这给了你：

i c

如果那不是您想要的，请澄清。

请注意，解析XML的正则表达式方法非常脆弱。例如，上面的示例将在输入<a name="b>c">hey</a>上中断。 （>是属性值中的有效字符：see XML specs）

Answer 5

+1为Jens的回答。 lxml是一个很好的库，你可以用它来以一种强大的方式实际解析它。如果您更喜欢标准库中的某些内容，可以使用sax，dom或elementree。