Python正则表达式-剥离HTML标记并从内部HTML格式化字符

Question

我正在处理这样的单个HTML字符串

>> s = 'u><br/>\n                                    Some text <br/><br/><u'

我在有意义的文本中嵌入了损坏的HTML或不完整的HTML标签。 我只需要提取该内部文本，而忽略损坏的HTML。 我怎样才能做到这一点？ 我正在使用

>> re.search(r'(.>)(<.>)(.>)', s)
>>

但这返回null。

Answer 1

如果我理解正确，那么您正在寻求以下输入：

u><br/>\n                                    Some text <br/><br/><u

并接收以下输出：

\n                                    Some text 

仅需关心两个向内指向括号之间的内容即可轻松完成此操作。 我们想要：

• 右括号> （所以我们知道从哪里开始）
• 某些文字\\n Some text （内容）不包含左括号
• 左括号< （所以我们知道在哪里结束）

你要：

>>> s = 'u><br/>\n                                    Some text <br/><br/><u'
>>> re.search(r'>([^<]+)<', s)
<_sre.SRE_Match object; span=(6, 55), match='>\n                                    Some text >

（可以通过.group(1)访问捕获的组。）

此外，如果您希望每行有多个匹配re.findall则可能要使用re.findall ：

>>> re.findall(r'>([^<]+)<', s)
['\n                                    Some text ']

编辑：解决评论：如果您有多个匹配项，并且想要将它们连接到单个字符串中（有效地删除所有类似HTML的标记内容），请执行以下操作：

>>> s = 'nbsp;<br><br>Some text.<br>Some \n more text.<br'
>>> ' '.join(re.findall(r'>([^<]+)<', s))
'Some text. Some \n more text.'