Question

我正在尝试在Html标记之间提取字符串。我可以看到类似的问题之前已经被问过堆栈溢出，但我对python是全新的，我正在努力。

所以，如果我有

<b>Bold Stuff</b>

我希望有一个正则表达式让我

Bold Stuff

但到目前为止我的所有解决方案都给我留下了像

这样的东西

>Bold Stuff<

我真的很感激任何帮助。

我有

>.*?<

我已经看到了关于堆栈溢出的问题，建议的解决方案

>([^<>]*)<

但这些都不适合我。请有人解释如何写一个正则表达式，说明＆＃34;找到字符x和y之间的字符串，不包括x和y＆＃34;。

感谢您的帮助

Answer 1

>>> a = '<b>Bold Stuff</b>'
>>> 
>>> import re
>>> re.findall(r'>(.+?)<', a)
['Bold Stuff']
>>> re.findall(r'>(.*?)<', a)[0] # non-greedy mode
'Bold Stuff'
>>> re.findall(r'>(.+?)<', a)[0] # or this, also is non-greedy mode
'Bold Stuff'
>>> re.findall(r'>(.*)<', a)[0] # greedy mode
'Bold Stuff'
>>>

此时，贪婪模式和非贪婪模式都可以工作。

您正在使用第一种非贪婪模式。这是一个关于非贪婪模式和贪婪模式的例子：

>>> a = '<b>Bold <br> Stuff</b>'
>>> re.findall(r'>(.*?)<', a)[0]
'Bold '
>>> re.findall(r'>(.*)<', a)[0]
'Bold <br> Stuff'
>>>

这是关于什么是(...)：

<强>（...）

匹配括号内的正则表达式，并指示组的开始和结束;

可以在执行匹配后检索组的内容，并且可以在字符串中稍后使用\ number特殊序列进行匹配，如下所述。

要匹配文字(或)，请使用\(或\)，或将它们包含在字符类中：[(] [)]。

Answer 2

我猜您的问题与re.search返回的MatchObject有关。在这种情况下，group()函数可以访问匹配项。但是，第一组是整场比赛，但是你想得到带括号的子组。

str = '<b>Bold Stuff</b>';

m = re.search('>([^<>]*)<', str);
print (m.group(0)); # the whole match: >Bold Stuff<
print (m.group());  # the same as with the zero argument
print (m.group(1)); # the first parenthesized subgroup: Bold Stuff

它可能适用于一些简单的情况。但是，在更复杂的情况下，处理标记重叠可能会很棘手，例如，请参阅RegEx match open tags except XHTML self-contained tags：

您无法使用正则表达式解析[X] HTML。因为HTML无法解析正则表达式。正则表达式不是可用于正确解析HTML的工具...

Answer 3

删除HTML标记可能更简单，只留下内容：

>>> import re
>>> re.sub('<[^<>]+>', '', '<b>Bold Stuff</b>')
'Bold Stuff'
>>>

请注意，与使用正确的HTML解析器相比，使用正则表达式删除HTML标记通常被认为是不好的做法，但如果您了解自己的内容并且可以依赖它，则可能没问题。

Answer 4

from bs4 import BeautifulSoup

page = requests.get(url)
soup = BeautifulSoup(page.content,'html.parser')
title = soup.find('b').text

Python Regex - 在html标签之间找到字符串

4 个答案: