如何從 html 的 2 個標簽中提取文本或替換第一個和最后一個標簽

Question

我有如下文字

• 我只是想從p標簽中提取內容

• 我不想消除<p>或它們之間的任何其他標簽

d = "<p><p>{'Area': 'Square',</p>\n<p> <tr> <td>'Flag': 'com'}</p></p>"

我的代碼如下

import re
re.sub('<[^<>]+>', '',d)

我的 output 是

"{'Area': 'Square',\n\xa0\xa0'Flag': 'com'}"

預期的只是替換第一個p和最后一個p標記

"<p>{'Area': 'Square',</p>\n<p> <tr> <td>'Flag': 'com'}</p>"

Answer 1

利用

re.sub(r'^<p>(.*)</p>$', r'\1', d, flags=re.S)

請參閱正則表達式證明。

解釋

--------------------------------------------------------------------------------
  ^                        the beginning of the string
--------------------------------------------------------------------------------
  <p>                      '<p>'
--------------------------------------------------------------------------------
  (                        group and capture to \1:
--------------------------------------------------------------------------------
    .*                       any character except \n (0 or more times
                             (matching the most amount possible))
--------------------------------------------------------------------------------
  )                        end of \1
--------------------------------------------------------------------------------
  </p>                     '</p>'
--------------------------------------------------------------------------------
  $                        before an optional \n, and the end of the
                           string