正则表达式以在和<strong>标签</strong>之间提取文本

Question

我需要在python中使用正则表达式提取介于和标记之间的文本。

示例： Customizable:<strong>Features Windows 10 Pro</strong> and legacy ports <b>including VGA,</b> HDMI, RJ-45, USB Type A connections.

为此，我正在做：

pattern=re.compile("(<b>(.*?)</b>)|(<strong>(.*?)</strong>)")
for label in labels:
    print(label)
    flag=0
    if(('Window'in label or 'Windows' in label) and ('<b>' in label or '<strong>' in label)):
        text=re.findall(pattern, label)
        print(text)

标签是包含标签的此类html元素的列表。 预期的输出为['Features Windows 10','including VGA,']

取而代之的是： [('', 'Features Windows 10 Pro'), ('including VGA,', '')]

请帮忙。 提前致谢。

Answer 1

喜欢BeautifulSoup吗？

from bs4 import BeautifulSoup

data = BeautifulSoup("""Customizable:<strong>Features Windows 10 Pro</strong> and legacy ports <b>including VGA,</b> HDMI, RJ-45, USB Type A connections""")

data.find_all('strong')[0].text
data.find_all('b')[0].text

输出量

Features Windows 10 Pro
'including VGA,'

Answer 2

首先， 您不应该使用正则表达式来解析标记文本 。

就是说，结果是设计使然 。 re.findall的文档re.findall非常明确（强调我的观点）：

re.findall（模式，字符串，标志= 0）

返回字符串中模式的所有非重叠匹配项，作为字符串列表。 从左到右扫描该字符串，并以找到的顺序返回匹配项。 如果该模式中存在一个或多个组，则返回一个组列表；否则，返回一个列表。 如果模式具有多个组，则这将是一个元组列表 。

您的模式包含2个组，一组用于<b> ，一组用于<strong> 。 您将获得两个元组，以便您知道匹配的组。

如果您不喜欢它，可以使用finditer代替，它将返回一个match对象。 匹配对象上的group(0)是匹配的字符串的一部分：

text = [m.group() for m in pattern.finditer(label)]