提取正則表達式匹配的部分

我想要一個正則表達式從HTML頁面中提取標題。目前我有這個：提取正則表達式匹配的部分

title = re.search('<title>.*</title>', html, re.IGNORECASE).group() 
if title: 
    title = title.replace('<title>', '').replace('</title>', '')

是否有一個正則表達式只提取內容，所以我不必刪除標籤？

謝謝！

來源

2009-08-25 hoju

哇我不能相信所有的響應調用解析整個HTML頁面只是爲了提取一個簡單的標題。什麼矯枉過正！ – hoju 2009-08-27 02:02:01

問題標題說明了這一切 - 給出_happens_爲HTML的例子，但一般問題是... general。 – Phil 2017-05-24 23:30:28

使用()在正則表達式和蟒蛇group(1)檢索捕獲的字符串（re.search將返回None，如果沒有找到結果，所以不要」 t使用group()直接）：

title_search = re.search('<title>(.*)</title>', html, re.IGNORECASE) 

if title_search: 
    title = title_search.group(1)

來源

2009-08-25 10:29:31

如果在找不到標題時沒有做任何事情，爲什麼直接使用group（）會是一件壞事？（無論如何，你可以捕獲異常） – tonfa 2009-08-25 10:52:57

是的，但大多數人忘記異常，並且當他們在運行時看到它們時真的感到驚訝:) – 2009-08-25 18:30:21

嘗試：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

來源

2009-08-25 10:28:45 Randy

如果您確實想要使用REGEX進行HTML解析，請不要在匹配時直接運行.group（），因爲它可能會返回None。 – iElectric 2009-08-25 10:37:41

您應該使用'。*？'，這樣萬一文檔中有多個''（不太可能，但您永遠不知道）。 – tonfa 2009-08-25 10:41:47

@iElectric：如果你真的想要，你可以把它放在一個除了塊的嘗試，對吧？ – tonfa 2009-08-25 10:45:14

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

來源

2009-08-25 10:28:53

嘗試使用捕獲組：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

來源

2009-08-25 10:30:02

請不要使用正則表達式來解析標記語言。使用lxml或beautifulsoup。

來源

2009-08-25 10:31:31 iElectric

+29

這取決於用例，有時候需要一個快速和骯髒的解決方案（特別是如果你不想處理每種可能的輸入）。 – tonfa 2009-08-25 10:43:41

需要2分鐘才能寫出HTML，這些正則表達式會失敗或回溯，從而吃掉CPU週期。 – iElectric 2009-08-25 10:52:03

但是當抓取一個網站時，他們通常不會爲了打破解析器而改變他們的html（在某些情況下，您已經需要依賴生成的html的結構而不是HTML樹來提取更多信息）。 – tonfa 2009-08-25 11:10:26

使用正則表達式來解析HTML通常不是一個好主意。你可以使用任何HTML分析器，比如美麗的湯。退房http://www.crummy.com/software/BeautifulSoup/documentation.html

還記得一些人，當遇到一個問題，認爲「我知道，我將使用正則表達式。」現在他們有兩個問題。

來源

2009-08-25 10:35:08

-1

我認爲這應該足夠了：「文本」

#!python 
import re 
pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE) 
pattern.search(text)

...假設你的文本（HTML）是在一個名爲變量

這也假定沒有其他HTML標籤可以合法地嵌入到HTML TITLE標籤中，也沒有辦法合法地在這樣的容器/塊中嵌入任何其他<字符。

然而 ...

不要使用Python中HTML解析正則表達式。使用HTML解析器！（除非你打算寫一個完整的解析器，這將是一個額外的工作時各種HTML，SGML和XML解析器已經在標準庫。

如果處理「真實世界」 標籤湯 HTML （它通常不符合任何SGML/XML驗證程序），則使用BeautifulSoup包。它不在標準庫（尚未）中，但是爲此目的被廣泛推薦爲

另一個選項是：lxml .. 。它是爲正確結構化（符合標準的）HTML編寫的，但它可以選擇使用BeautifulSoup作爲解析器：ElementSoup。

來源

2009-08-25 10:35:29

我可以向你推薦美麗的湯。湯是一個非常好的lib來解析所有的html文檔。

soup = BeatifulSoup(html_doc) 
titleName = soup.title.name

來源

2013-03-01 19:22:25 kharagpur

我想補充一點，那個beautifulsoup也會解析不完整的html，這真的很不錯。 – pyeleven 2013-10-21 07:52:19

的代碼所提供的碎片不會應付Exceptions 我建議

getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

這如果模式沒有被發現在默認情況下會返回一個空字符串，或第一個匹配。

來源

2013-10-27 14:07:28

提取正則表達式匹配的部分

回答

相關問題