使用正則表達式從html標記中提取文本

Question

我的HTML文本如下所示。我只想在python中使用REGEX從HTML文本中提取純文本（不使用HTML注釋）

<p style="text-align: justify;"><span style="font-size: small; font-family: lato, arial, h elvetica, sans-serif;">
Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.
</span></p>

如何找到確切的正則表達式以獲取純文本？

Answer 1

您可以使用Java使用簡單的選擇器方法來執行此操作，然后檢索.innerHTML屬性。

//select the class for which you want to pull the HTML from
let div = document.getElementsByClassName('text-div');
//select the first element of NodeList returned from selector method and get the inner HTML 
let text = div[0].innerHTML; 

這將選擇要檢索其HTML的元素，然后將提取內部HTML文本，假設您只想要HTML標記之間的內容，而不是標記本身。

正則表達式不是必需的。 您必須使用JS或某些后端來實現Regex，只要您可以在項目中插入JS腳本，就可以獲取內部HTML。

如果您要抓取數據，則無論使用哪種語言，您的庫都極有可能使用選擇器方法和方法來輕松檢索HTML文本，而無需使用正則表達式。

Answer 2

您最好在這里使用解析器：

import html, xml.etree.ElementTree as ET

# decode
string = """<p style="text-align: justify;"><span style="font-size: small; font-family: lato, arial, h elvetica, sans-serif;">
Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.
</span></p>"""

# construct the dom
root = ET.fromstring(html.unescape(string))

# search it
for p in root.findall("*"):
    print(p.text)

這產生

Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.

顯然，您可能想要更改xpath ，從而查看可能性 。

---

附錄：

可以在此處使用正則表達式，但是這種方法確實容易出錯並且不建議使用 ：

import re

string = """<p style="text-align: justify;"><span style="font-size: small; font-family: lato, arial, h elvetica, sans-serif;">
Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.
</span></p>"""

rx = re.compile(r'(\b[A-Z][\w\s,]+\.)')

print(rx.findall(string))
# ['Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.']

這個想法是尋找一個大寫字母並匹配單詞字符，空格和逗號，直到一個點。 參見regex101.com上的演示 。