从文本中获取多个字符串的最佳方法？

Question

我正在抓取一些 html，因此将有一整个 html 页面的字符串。

我想在这个 html 中获取多个字符串，每个字符串都有一个共同的分隔符，比如 --text--

所以我想要“文本”部分。

最快和最有效的方法是什么？

Answer 1

如果 re 模块如下所示，感觉就像是一个很好的匹配

html_text = """ a bunch of text i dont care about
-- something important -- more stuff i dont care about -- something else 
 important --"""
matches = re.findall("--(.*?)--",html_text,re.DOTALL)
print(matches)

相反，如果您说要获取某些<htmltag class="interesting">中的所有文本，那么您应该使用诸如 beautifulsoup (bs4) 之类的东西

import bs4
html_text = "<a class='interesting'>cool</a><div class='boring'>asd</div><div class='interesting'>beans</div>"
soup = bs4.BeautifulSoup(html_text,features="html.parser")
for e in soup.findAll(None,{"class":"interesting"}):
    print(e.text)

最后，如果它更像a--list--of--cool--stuff--with--delimiter

那么你可能应该只使用my_string.split("--")

Answer 2

你可以在 python 中使用HTMLParser ： from html.parser import HTMLParser

MyHTMLParser 类（HTMLParser）：

def handle_data(self, data):
    print("data:", data)

parser = MyHTMLParser()
parser.feed('<html><head><title>Page Title</title></head>'
            '<body><h1>some text</h1></body></html>')

输出将是：
数据：一些文本