提取正则表达式匹配的一部分-IT科技

提取正则表达式匹配的一部分

2025-02-07 08:44:00

admin

原创

摘要：问题描述：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('...

问题描述：

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>', '')

是否存在正则表达式可以仅提取 <title> 的内容，这样我就不必删除标签？

解决方案 1：

( )在正则表达式和python 中使用group(1)来检索捕获的字符串（如果找不到结果re.search就会返回，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)

解决方案 2：

请注意，从开始，以及赋值表达式（PEP 572）（运算符）Python 3.8的引入，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

解决方案 3：

尝试使用捕获组：

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

解决方案 4：

我可以向你推荐 Beautiful Soup。Soup 是一个非常好的库，可以解析你所有的 html 文档。

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

解决方案 5：

尝试：

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

解决方案 6：

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

解决方案 7：

提供的代码片段不能满足Exceptions
我的建议

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，则默认返回一个空字符串。

解决方案 8：

我认为这就足够了：

#!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 标签可以合法嵌入 HTML TITLE 标签内，并且没有办法在这样的容器/块内合法嵌入任何其他 < 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，当标准库中已经有各种 HTML、SGML 和 XML 解析器时，这将是一项额外的、多余的工作）。

如果您要处理“真实世界”标签汤HTML（通常不符合任何 SGML/XML 验证器的要求），请使用BeautifulSoup包。它目前不在标准库中，但被广泛推荐用于此目的。

另一个选项是：lxml ...，它是为正确结构化（符合标准）的 HTML 编写的。但它有一个选项可以回退到使用 BeautifulSoup 作为解析器：ElementSoup。

解决方案 9：

Krzysztof Krasoń 的当前得票最高的答案因而失败<title>a</title><title>b</title>。此外，它还会忽略跨行边界的标题标签，例如，出于行长原因。最后，它因<title >a</title>(有效 HTML：XML/HTML 标签内的空格) 而失败。

因此我建议进行以下改进：

import re

def search_title(html):
    m = re.search(r"<titles*>(.*?)</titles*>", 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
>with newline in tags</title
>"))
print(search_title("<title>first of two titles</title><title>second title</title>"))
print(search_title("<title>with newline
 in title</title
>"))

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 HTML 解析器 - 不仅如此，还可以处理 HTML 标签的非标准使用。

解决方案 10：

我需要一些可以匹配的东西package-0.0.1（名称、版本），但想要拒绝无效的版本，例如0.0.010。

参见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：