Python正则表达式 - 查找HTML标签之间的字符串

Question

我正在尝试提取Html标签之间的字符串。我看到类似的问题以前在stackoverflow上被问过，但我完全是python的新手，我很困难。

所以，如果我有：

<b>Bold Stuff</b>

我想要一个正则表达式，让我得到

Bold Stuff

但是到目前为止，我的所有解决方案都留下了类似以下的东西

>Bold Stuff<

我真的很感激任何关于这个的帮助。

我有。

>.*?<

我看到了一个在 Stack Overflow 上的问题，并有建议的解决方案。

>([^<>]*)<

但是这两个对我都不起作用。请问有人能解释一下如何编写一个正则表达式，以便查找在字符x和y之间的字符串，但不包括x和y本身。

感谢任何帮助。

- JungleBook

---

使用 re.findall 应该可以使 >([^<>]*)< 正常工作。 - vks

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'
>>> 

目前为止，贪婪模式和非贪婪模式都可以工作。

您正在使用第一个非贪婪模式。以下是有关非贪婪模式和贪婪模式的示例：

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

这里是关于(...)的信息：

匹配括号内的任何正则表达式，并指示组的开始和结束；在执行匹配后，可以检索组的内容，并且可以使用\number特殊序列在字符串中稍后匹配该组。

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

- Remi Guan

Answer 2

也许更简单的方法是去掉HTML标签，只留下内容：

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

请注意，相比于使用适当的HTML解析器，使用正则表达式来删除HTML标签通常被认为是不良惯例，但如果您了解自己的内容并且可以依靠它，则可能没有问题。

- Jeremy Jones

Answer 3

我猜你的问题与从re.search返回的MatchObject有关。在这种情况下，匹配项可以通过group()函数访问。然而，第一个组是整个匹配，但你想要获取括号子组。

text = '<b>Bold Stuff</b>'

m = re.search('>([^<>]*)<', text)
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情况。但在更复杂的情况下，处理标签重叠可能会有些棘手，例如参见RegEx match open tags except XHTML self-contained tags：

你不能使用正则表达式解析[X]HTML。因为HTML不能被正则表达式正确解析。正则表达式不是一个可以用来正确解析HTML的工具...

- Orest Hera

Answer 4

from bs4 import BeautifulSoup

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

- ANK