我有文本(Python 2.6 的代码):
txt="foo<br><br><b>bar :</b><br>foo<br><b>bar :</b>"
然后我尝试提取任何标签的内容(本例中为 标签):
r=re.compile("<%s.*?>(.+?)</%s>" % ("b","b"), re.I|re.S)
这主要是有效的，但输出不是我对棘手文本的预期:
>>>re.findall(r,txt)
['<br><b>bar :', 'foo<br><b>bar :']
是否可以编写一个正则表达式在任何情况下从任何 HTML 标记中提取文本？
最佳答案
通常，您不能使用正则表达式解析 HTML，因为正则表达式只能捕获正则表达式语言。 HTML 语言包含任意嵌套，正则表达式无法处理这些嵌套。
也就是说，您可以提取典型 html 的开始和结束标记之间的文本，如果您只对正则表达式代码做一个小改动:
r=re.compile("<%s.*?>(.+?)</%s>" % ("b","b"), re.I|re.S)
>>> r=re.compile("<%s>(.+?)</%s>" % ("b","b"), re.I|re.S)
>>> txt="foo<br><br><b>bar :</b><br>foo<br><b>bar :</b>"
>>> re.findall(r, txt)
['bar :', 'bar :']
.*?允许
匹配您的开始标签。
但是，此策略仅将匹配您的模式的第一个标签与匹配您的模式的第一个 结束标签相匹配，而不是实际与开始标签配对的标签。当嵌套相同的标签时，它不会执行您可能期望的操作，如下例所示:
>>> txt="foo<b><b><b>bar :</b></b></b><br>foo<br><b>bar :</b>"
>>> re.findall(r, txt)
['<b><b>bar :', 'bar :']
>>>
关于python - 从 <b></b> 标签中提取文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/10297882/