Question

任何人都可以解释如何从输入字符串中提取子字符串。

输入：

'<h3>freedom machines.</h3><p>dom.</p><br/><p>The robust display.</p>'

输出：

'<h3>freedom machines.</h3>'

我正在尝试使用正则表达式，但没有运气。你有什么建议吗？

我需要检查我的字符串是否从任何标头标记（<h1>，<h2>或<h3>）开始，如果是，我会提取标题标记。

我尝试使用startswith，但没有成功：

if input.startswith("<h"):
  ** Code to extract that h tag.

Answer 1

您可以使用re.search在<h3>标记之间提取文本。

<h3>.*?</h3>模式表示匹配<h3>标记之间的任何内容。

>>> import re
>>> text = '<h3>freedom machines.</h3><p>dom.</p><br/><p>The robust display.</p>'
>>> match = re.search("<h3>.*?</h3>", text, re.IGNORECASE | re.MULTILINE)
>>> print(match.group())

'<h3>freedom machines.</h3>'

Answer 2

使用BeautifulSoup：

html = '<h3>freedom machines.</h3><p>dom.</p><br/><p>The robust display.</p>'
soup = BeautifulSoup(html)
text = soup.find("h3").string

这是BeautifulSoup的基本用法。使用字符串作为参数创建BeautifulSoup对象。然后使用其find方法查找具有您正在寻找的名称的代码。最后，使用string属性获取标记环绕的文本。

如果您知道自己的文字位于<h1>，<h2>或<h3>，但您不知道哪个，请尝试所有这些内容。你甚至可以一次检查三个：

tag = soup.find("h1") or soup.find("h2") or soup.find("h3")
text = tag.string

or运算符将返回第一个以布尔方式计算为True的成员。在这种情况下，它表示第一个soup.find结果不是None。 find方法也接受迭代器，因此您可以将静态元组传递给它。结果将是与任何所询问类型匹配的标记对象（如果有）。

tag = soup.find(("h1", "h2", "h3"))

当然，最好事先确切知道哪个标签包含你想要的东西...... 如果页面上同时包含<h1>和<h2>标记，您就不知道该怎么做...

从字符串

2 个答案: