[英]Python regex to extract html paragraph
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)
但它没有返回,即使我知道有。 为什么?
为什么不使用HTML 解析器来解析 HTML 。 使用BeautifulSoup
示例:
>>> 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。
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>
标签开头和结尾)。
还应该注意,当前您的搜索是贪婪的,这意味着它将返回第一个<p>
标记和最后一个</p>
之间的所有内容,这是您绝对不想要的。 尝试
re.findall(r'<p(\s.*?)?>(.*?)</p>', response.text, flags=re.IGNORECASE | re.MULTILINE | re.DOTALL)
反而。 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
将返回多个匹配项。
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,正则表达式是解析 HTML 的可怕工具。 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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.