Question

我尝试在HTML文件上使用"<.+>\s*(.*?)\s*<\/?.+>"。以下是我使用的Python代码

import re

def recursiveExtractor(content):
    re1='(<.+>\s*(.+?)\s*<\/?.+>)'
    m = re.findall(re1,content)
    if m:
        for (id,item) in enumerate(m):
            text=m[id][1]
            if text:print text,"\n"

f = """
<div class='a'>
      <div class='b'>
        <div class='c'>
            <button>text1</button>
            <div class='d'>text2</div>
        </div>
      </div>
    </div>
"""
recursiveExtractor(f)

但它会跳过一些文本，因为HTML是嵌套的，正则表达式从匹配部分的末尾重新开始搜索。

对于上述输入，输出是

<div class='b'>

<div class='d'>text2</div>

</div>

但预期的输出是：

text1

text2

编辑：我读到HTML不是常规语言，因此无法解析。根据我的理解，不可能解析。*（即使用相同的结束标记）。但我需要的是任何标签之间的文本，例如text1 text2 text3所以我可以使用＆＃34; text1＆＃34;，＆＃34; text2＆＃34;，＆＃34; text3＆＃34;

Answer 1

为什么不这样做：

import re

f = """
<div class='a'>
      <div class='b'>
        <div class='c'>
            <button>text1</button>
            <div class='d'>text2</div>
        </div>
      </div>
    </div>
"""
x = re.sub('<[^>]*>', '', f)  # you can also use re.sub('<[A-Za-z\/][^>]*>', '', f)

print '\n'.join(x.split())

这将有以下输出：

text1
text2

Python：正则表达式，用于在html中的任意两个标记之间提取文本

1 个答案: