201

我想要一个正则表达式来从 HTML 页面中提取标题。目前我有这个:

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

是否有正则表达式可以仅提取 <title> 的内容,因此我不必删除标签?

4

11 回答 11

318

( )在 regexp 和python 中使用group(1)来检索捕获的字符串(如果没有找到结果re.search会返回,所以不要直接使用):Nonegroup()

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

if title_search:
    title = title_search.group(1)
于 2009-08-25T10:29:31.147 回答
43

请注意,开始Python 3.8,并引入赋值表达式(PEP 572)(运算符),可以通过在 if 条件中直接捕获匹配结果作为变量并在条件主体中重新使用它:=来改进Krzysztof Krasoń 的解决方案

# pattern = '<title>(.*)</title>'
# text = '<title>hello</title>'
if match := re.search(pattern, text, re.IGNORECASE):
  title = match.group(1)
# hello
于 2019-04-27T15:06:30.660 回答
10

尝试使用捕获组:

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)
于 2009-08-25T10:30:02.813 回答
8

我可以向您推荐美丽的汤。Soup 是一个非常好的库,可以解析所有的 html 文档。

soup = BeatifulSoup(html_doc)
titleName = soup.title.name
于 2013-03-01T19:22:25.613 回答
5
re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)
于 2009-08-25T10:28:53.737 回答
4

尝试:

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)
于 2009-08-25T10:28:45.720 回答
4

我认为这应该足够了:

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

...假设您的文本 (HTML) 位于名为“text”的变量中。

这还假设没有其他 HTML 标记可以合法地嵌入到 HTML TITLE 标记中,并且没有办法在这样的容器/块中合法地嵌入任何其他 < 字符。

然而...

不要在 Python 中使用正则表达式进行 HTML 解析。使用 HTML 解析器!(除非您要编写一个完整的解析器,当各种 HTML、SGML 和 XML 解析器已经在标准库中时,这将是一项额外的和多余的工作)。

如果您正在处理“真实世界”标签汤HTML(通常不符合任何 SGML/XML 验证器),请使用BeautifulSoup包。它不在标准库中(目前),但为此目的被广泛推荐。

另一种选择是:lxml ...它是为正确结构化(符合标准)的HTML编写的。但它可以选择使用 BeautifulSoup 作为解析器:ElementSoup

于 2009-08-25T10:35:29.340 回答
4

提供的代码片段不适合Exceptions 我建议

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

如果未找到模式或第一个匹配项,则默认情况下返回一个空字符串。

于 2013-10-27T14:07:28.537 回答
2

Krzysztof Krasoń 目前投票最多的答案以<title>a</title><title>b</title>. 此外,它会忽略跨越行边界的标题标签,例如,出于行长的原因。最后,它失败了<title >a</title>(这是有效的 HTML:XML/HTML 标记内的空白)。

因此,我提出以下改进:

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

测试用例:

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>"))

输出:

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

最终,我和其他人一起推荐了一个 HTML 解析器 - 不仅,而且处理 HTML 标记的非标准使用。

于 2020-10-30T08:17:27.643 回答
1

为什么没有人建议使用前瞻和后瞻,有什么特别的原因吗?我来到这里试图做同样的事情并且(?<=<title>).+(?=<\/title>)效果很好。它只会匹配括号之间的内容,因此您不必执行整个组的操作。

于 2021-05-18T21:48:19.783 回答
1

我需要匹配的东西package-0.0.1(名称,版本),但想拒绝无效版本,例如0.0.010.

请参阅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}')

输出:

Name:     hello
Version:  0.0.1
于 2021-05-20T14:00:38.640 回答