Question

如何使用正则表达式搜索html字符串中的单词，但忽略html标记中的单词。例如<a href="foo">foo</a>，应忽略第一个foo，第二个foo是要搜索的模式。

Answer 1

使用BeautifulSoup 结合正则表达式的示例：

from bs4 import BeautifulSoup
import re

string = '''
<a class='fooo123'>foo on its own</a>
<a class='123foo'>only foo</a>
'''

soup = BeautifulSoup(string, "lxml")
foo_links = soup.find_all(text=re.compile("^foo"))
print(foo_links)
# ['foo on its own']

wrap 找到的链接与例如mark，您可以执行以下操作：

from bs4 import BeautifulSoup
import re

string = '''
<a class='fooo123'>foo on its own</a>
<a class='123foo'>only foo</a>
'''

soup = BeautifulSoup(string, "lxml")
foo_links = soup.findAll('a', text=re.compile("^foo"))
for a in foo_links:
    mark = soup.new_tag('mark')
    a.wrap(mark)

print(soup.prettify())

以及强制性Tony the Pony链接......

Answer 2

该程序应该能够找到标签之间的所有内容。

import re

str = '''<h3>
            <a href="//stackexchange.com/users/838793061/?accounts">yourcommunities</a>
    </h3>

        <a href="#" id="edit-pinned-sites">edit</a>
        <a href="#" id="cancel-pinned-sites"style="display:none;">cancel</a>'''

pattern = re.compile(r'>([^<>]+)<')
all = re.findall(pattern, str)

for i in all:
    print(i)

Answer 3

如果内容包含空格怎么办？

我建议下一个正则表达式也删除答案中的空格：

double

如何在正则表达式搜索中排除模式字符串

3 个答案: