提取正則表達式匹配的一部分

Question

我想要一個正則表達式來從 HTML 頁面中提取標題。 目前我有這個：

title = re.search('<title>.*</title>', html, re.IGNORECASE).group()
if title:
    title = title.replace('<title>', '').replace('</title>', '') 

是否有正則表達式可以僅提取 <title> 的內容，因此我不必刪除標簽？

Answer 1

在 regexp 中使用( )並在 python 中使用group(1)來檢索捕獲的字符串（如果re.search沒有找到結果，它將返回None ，所以不要直接使用group() ）：

title_search = re.search('<title>(.*)</title>', html, re.IGNORECASE)

if title_search:
    title = title_search.group(1)

Answer 2

請注意，從Python 3.8開始，並引入了賦值表達式 (PEP 572) ( :=運算符)，可以通過在 if 條件中直接捕獲匹配結果作為變量並重用來改進Krzysztof Krasoń 的解決方案它在條件的身體：

# pattern = '<title>(.*)</title>'
# text = '<title>hello</title>'
if match := re.search(pattern, text, re.IGNORECASE):
  title = match.group(1)
# hello

Answer 3

嘗試使用捕獲組：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

Answer 4

我可以向您推薦美麗的湯。 Soup 是一個非常好的庫，可以解析所有的 html 文檔。

soup = BeatifulSoup(html_doc)
titleName = soup.title.name

Answer 5

嘗試：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

Answer 6

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

Answer 7

我認為這應該足夠了：

#!python
import re
pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE)
pattern.search(text)

...假設您的文本 (HTML) 位於名為“text”的變量中。

這也假設沒有其他 HTML 標記可以合法地嵌入到 HTML TITLE 標記中，並且沒有辦法在這樣的容器/塊中合法地嵌入任何其他 < 字符。

然而...

不要在 Python 中使用正則表達式進行 HTML 解析。 使用 HTML 解析器！ （除非您要編寫一個完整的解析器，當各種 HTML、SGML 和 XML 解析器已經在標准庫中時，這將是一項額外的和冗余的工作）。

如果您正在處理“真實世界”標簽湯HTML（通常不符合任何 SGML/XML 驗證器），請使用BeautifulSoup包。 它不在標准庫中（目前），但為此目的被廣泛推薦。

另一種選擇是： lxml ...它是為正確結構化（符合標准）的HTML編寫的。 但它可以選擇使用 BeautifulSoup 作為解析器： ElementSoup 。

Answer 8

提供的代碼片段不能處理我建議的Exceptions

getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

如果未找到模式或第一個匹配項，則默認情況下返回一個空字符串。

Answer 9

Krzysztof Krasoń 目前投票最多的答案以<title>a</title><title>b</title>失敗。 此外，它會忽略跨越行邊界的標題標簽，例如，出於行長的原因。 最后，它以<title >a</title>失敗（這是有效的 HTML： XML/HTML 標記內的空白）。

因此，我提出以下改進：

import re

def search_title(html):
    m = re.search(r"<title\s*>(.*?)</title\s*>", html, re.IGNORECASE | re.DOTALL)
    return m.group(1) if m else None

測試用例：

print(search_title("<title   >with spaces in tags</title >"))
print(search_title("<title\n>with newline in tags</title\n>"))
print(search_title("<title>first of two titles</title><title>second title</title>"))
print(search_title("<title>with newline\n in title</title\n>"))

輸出：

with spaces in tags
with newline in tags
first of two titles
with newline
  in title

最終，我和其他人一起推薦了一個 HTML 解析器 - 不僅，而且處理 HTML 標記的非標准使用。

Answer 10

我需要一些東西來匹配package-0.0.1 (name, version) 但想要拒絕無效版本，例如0.0.010 。

請參閱regex101示例。

import re

RE_IDENTIFIER = re.compile(r'^([a-z]+)-((?:(?:0|[1-9](?:[0-9]+)?)\.){2}(?:0|[1-9](?:[0-9]+)?))$')

example = 'hello-0.0.1'

if match := RE_IDENTIFIER.search(example):
    name, version = match.groups()
    print(f'Name:     {name}')
    print(f'Version:  {version}')
else:
    raise ValueError(f'Invalid identifier {example}')

輸出：

Name:     hello
Version:  0.0.1

Answer 11

為什么沒有人建議使用前瞻和后瞻，有什么特別的原因嗎？ 我來到這里試圖做同樣的事情， (?<=<title>).+(?=<\/title>)效果很好。 它只會匹配括號之間的內容，因此您不必執行整個組的操作。