Python：正則表達式以提取html中任意兩個標簽之間的文本

Question

我嘗試在HTML文件上使用"<.+>\\s*(.*?)\\s*<\\/?.+>" 。 以下是我使用的Python代碼

import re

def recursiveExtractor(content):
    re1='(<.+>\s*(.+?)\s*<\/?.+>)'
    m = re.findall(re1,content)
    if m:
        for (id,item) in enumerate(m):
            text=m[id][1]
            if text:print text,"\n"

f = """
<div class='a'>
      <div class='b'>
        <div class='c'>
            <button>text1</button>
            <div class='d'>text2</div>
        </div>
      </div>
    </div>
"""
recursiveExtractor(f)

但是它會跳過一些文本，因為HTML是嵌套的，而regex從匹配部分的末尾重新開始搜索。

對於上述輸入，輸出為

<div class='b'>

<div class='d'>text2</div>

</div>

但是預期的輸出是：

text1

text2

編輯：我讀到HTML不是常規語言，因此無法解析。據我了解，無法解析。*（即使用相同的結束標記）。 但是我需要的是任何標簽之間的文本，例如text1 text2 text3所以我可以使用“ text1”，“ text2”，“ text3”的列表

Answer 1

為什么不這樣做：

import re

f = """
<div class='a'>
      <div class='b'>
        <div class='c'>
            <button>text1</button>
            <div class='d'>text2</div>
        </div>
      </div>
    </div>
"""
x = re.sub('<[^>]*>', '', f)  # you can also use re.sub('<[A-Za-z\/][^>]*>', '', f)

print '\n'.join(x.split())

這將具有以下輸出：

text1
text2