Question

我有这个HTML文字：

<span id="target_text"> 
         sample text
         <span class="red"> word1 </span>
         <span class="green"> <b> word2 </b> word3 </span>
         <b> word4 </b>
         <span> word5 </span>
         <b> word6 </b>
         <a class="itlink" href="http:www.example.com" > Details </a>
</span>

我需要在id = target_text：

的范围内获取显示的文字

sample text word1 word2 word3 word4 word5 word6 Details

注意：我不知道target_text中有多少b或span标记子项。

我尝试了这个表达式：

preg_match_all ( "%target_text.*?>(.*?<.*?>.*?<.*?>.*?)</span>%s", $html_text, $out, PREG_PATTERN_ORDER );

首先会找到span target_text然后获取><之间或者它们之外的所有内容。但它没有用？

Answer 1

不要使用正则表达式来解析HTML。如初。

了解xpaths是什么，你会好多了（xpath可以用在多种语言中）。 Python内置了eTree，可以在你的例子中做得很好，但是lxml是一个更好的库（具有大多数兼容的接口）。

In [1]: import lxml.html

In [2]: html = lxml.html.fromstring("""<span id="target_text">
   ...:          sample text
   ...:          <span class="red"> word1 </span>
   ...:          <span class="green"> <b> word2 </b> word3 </span>
   ...:          <b> word4 </b>
   ...:          <span> word5 </span>
   ...:          <b> word6 </b>
   ...:          <a class="itlink" href="http:www.example.com" > Details </a>
   ...: </span>""")

In [3]: html.xpath('//span[@id="target_text"]')[0].text_content()
Out[3]:' \n         sample text\n          word1 \n           word2  word3 \n          word4 \n          word5 \n          word6 \n          Details \n'

您希望稍微清理结果文本以消除无用的额外空格。

In [9]: content = html.xpath('//span[@id="target_text"]')[0].text_content()
In [10]: import re
In [11]: re.sub('\s+', ' ', content).strip()
Out[11]: 'sample text word1 word2 word3 word4 word5 word6 Details'

的Presto！

如何从包含其他标签的html标签中提取文本？正则表达式

1 个答案: