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?
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?
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
尝试使用捕获组:
title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)
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
re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)
尝试:
title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)
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。
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。
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。
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。
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