Python在標簽之間獲取子字符串

Question

我正在嘗試從Python中的管道獲取數據。 數據的結構如下：

<item><type> data </type><code> data </code><length> data </length><data encoding=“base64”> data </data></item>

如何獲取這些標簽之間的數據？ 我已經寫了一個Base64解碼器。

Answer 1

一種方法是使用lxml包並將原始數據視為html

from lxml import html

raw_data = '<item><type> data </type><code> data </code><length> data </length><data encoding=“base64”> data </data></item>'
html_data = html.fromstring(raw_data)

data = html_data.xpath('//text()')

# data = [' data ', ' data ', ' data ', ' data ']

可能有點矯kill過正，另一種方法是使用正則表達式

從https://kevin.deldycke.com/2008/07/python-ultimate-regular-expression-to-catch-html-tags/復制的模式

import re

def get_data(text):
    pattern = "(?i)<\/?\w+((\s+\w+(\s*=\s*(?:\".*?\"|'.*?'|[^'\">\s]+))?)+\s*|\s*)\/?>"
    return re.sub(p, '', text).split()

text = '<item><type> data </type><code> data </code><length> data </length><data encoding=“base64”> data </data></item>'
print(get_data(text))

# ['data', 'data', 'data', 'data']