如何在python中提取两个字符之间的子字符串？

Question

我有一个从 HTML 代码转换而来的讨厌的字符串，如下所示：

<p><topic url="car-colours">Toyota Camry</topic> has <a href="/colours/dark-red">Dark Red</a><span> (2020)</span>, <a href="/colours/pearl-white">Pearl White</a><span> (2016 - 2017)

我想从这个字符串中提取颜色的名称并将它们放在一个列表中。 我在想也许我提取了 ">" 和 "<" 字符之间的所有子字符串，因为所有颜色都包含在其中，但我不知道如何。

我的目标是有一个列表来存储丰田凯美瑞的所有颜色，例如： toyota_camry_colours = ["Dark Red", "Pearl White"]

任何想法我怎么能做到这一点？ 在 bash 中，我会使用 grep 或 awk 之类的东西，但不知道 python。

Answer 1

BeautifulSoup 模块旨在解析 HTML。

from bs4 import BeautifulSoup 

str = """\
<p><topic url="car-colours">Toyota Camry</topic> has <a href="/colours/dark-red">Dark Red</a><span> (2020)</span>, <a href="/colours/pearl-white">Pearl White</a><span> (2016 - 2017)"""

soup = BeautifulSoup(str, 'html.parser')
for link in soup.find_all('a'):
    print( link.text )

输出：

Dark Red
Pearl White

Answer 2

一个简单的正则表达式会帮助它/colours/([\\w-]+)

import re

txt = '<p><topic url="car-colours">Toyota Camry</topic> has <a href="/colours/dark-red">Dark Red</a><span>' \
      ' (2020)</span>, <a href="/colours/pearl-white">Pearl White</a><span> (2016 - 2017)'
colors = re.findall(r"/colours/([\w-]+)", txt)
print(colors)  # ['dark-red', 'pearl-white']

colors = [" ".join(word.capitalize() for word in color.split("-")) for color in colors]
print(colors)  # ['Dark Red', 'Pearl White']