Python 正则表达式提取 html 段

Question

我正在尝试使用以下代码行从 HTML 中提取段落：

paragraphs = re.match(r'<p>.{1,}</p>', html)

但它 returns none 尽管我知道有。为什么？

Answer 1

您应该使用 re.search 而不是 re.match。前者将搜索整个字符串，而后者仅在模式位于字符串开头时才匹配。

也就是说，正则表达式是一个糟糕的解析工具HTML。你很快就会和他们碰壁。我强烈建议您查看 HTMLParser 或 BeautifulSoup 来完成您的任务。

Answer 2

确保您使用 re.search（或 re.findall）而不是 re.match，它会尝试匹配整个 html 字符串（您的 html绝对不是以 <p> 标签开始和结束。

还应注意，目前您的搜索是贪婪的，这意味着它将 return first <p> 标记和最后一个 </p> 之间的所有内容这是你绝对不想要的。尝试

re.findall(r'<p(\s.*?)?>(.*?)</p>', response.text, flags=re.IGNORECASE | re.MULTILINE | re.DOTALL)

相反。问号将使您的正则表达式在第一个结束 </p> 标记处停止匹配，与 search.

相比，findall 将 return 匹配多个

Answer 3

为什么不使用 HTML 解析器 parse HTML. Example using BeautifulSoup:

>>> from bs4 import BeautifulSoup
>>> 
>>> data = """
...     <div>
...         <p>text1</p>
...         <p></p>
...         <p>text2</p>
...     </div>
... """
>>> soup = BeautifulSoup(data, "html.parser")
>>> [p.get_text() for p in soup.find_all("p", text=True)]
[u'text1', u'text2']

请注意，text=True 有助于过滤掉空段落。

Python 正则表达式提取 html 段

Python regex to extract html paragraph

html

python

regex

html-parsing