如何从python中的字符串中提取某些信息？

Question

我正在尝试使用python从html代码中提取某些信息。 例如：

<a href="#tips">Visit the Useful Tips Section</a> 
and I would like to get result : Visit the Useful Tips Section

<div id="menu" style="background-color:#FFD700;height:200px;width:100px;float:left;">
<b>Menu</b><br />
HTML<br />
CSS<br />
and I would like to get Menu HTML CSS

换句话说，我希望得到<>和<>之间的所有内容，我试图编写一个将html代码作为字符串的python函数，然后从那里提取信息。 我被困在string.split（'<'）。

Answer 1

您应该使用适当的HTML解析库，例如HTMLParser模块。

Answer 2

string = '<a href="#tips">Visit the Useful Tips Section</a>'
re.findall('<[^>]*>(.*)<[^>]*>', string) //return 'Visit the Useful Tips Section'

Answer 3

您可以使用lxml html解析器。

>>> import lxml.html as lh
>>> st = ''' load your above html content into a string '''
>>> d = lh.fromstring(st)
>>> d.text_content()

'Visit the Useful Tips Section \nand I would like to get result : Visit the Useful Tips Section\n\n\nMenu\nHTML\nCSS\nand I would
like to get Menu HTML CSS\n'

或者你可以做

>>> for content in d.text_content().split("\n"):
...     if content:
...             print content
...
Visit the Useful Tips Section
and I would like to get result : Visit the Useful Tips Section
Menu
HTML
CSS
and I would like to get Menu HTML CSS
>>>

Answer 4

我了解您正在尝试剥离HTML标签并仅保留文本。

您可以定义代表标签的正则表达式。 然后用空字符串替换所有匹配项。

例：

def remove_html_tags(data):
    p = re.compile(r'<.*?>')
    return p.sub('', data)

参考文献：

例

关于python正则表达式的文档

Answer 5

我会使用BeautifulSoup-格式错误的html会减少胡思乱想。