如何使用正则表达式从html标记之间提取文本？

Question

我需要从textarea标签之间提取文本。

我该如何使用正则表达式呢？

<textarea rows="20" cols="70" name="file" id="file" style="width: 100%;"data-input-file="1">
 abc_text
 #include<abc>
 xyz
</textarea>

Answer 1

你可以试试，

>>> print [x.strip() for x in re.findall('<textarea.*?>(.*)</textarea>', content, re.MULTILINE | re.DOTALL)]
['abc_text\n #include<abc>\n xyz']

Answer 2

根据XML规则，XML无效。 开头和结尾标签不匹配。

#include<abc>

<abc>是开始标记，不是内容。

XML解析库不会解析无效的Input。

---

修改输入：

如果将#include<abc>更改为#include<abc> 那么以下将起作用：

>>> import lxml.html as PARSER
>>> root = PARSER.fromstring(data)
>>> root.xpath("//textarea/text()")
['\n abc_text\n #include<abc>\n xyz\n']
>>> 

---

通过RE：

>>> data
'<textarea rows="20" cols="70" name="file" id="file" style="width: 100%;"data-input-file="1">\n abc_text\n</textarea>'
>>> import re
>>> re.findall('<textarea[^>]*>[^<]*</textarea>', data)
['<textarea rows="20" cols="70" name="file" id="file" style="width: 100%;"data-input-file="1">\n abc_text\n</textarea>']
>>>