Question

我需要在python中使用正则表达式提取介于和标记之间的文本。

示例：Customizable:Features Windows 10 Pro and legacy ports including VGA, HDMI, RJ-45, USB Type A connections.

为此，我正在做

pattern=re.compile("(<b>(.*?)</b>)|(<strong>(.*?)</strong>)")
for label in labels:
    print(label)
    flag=0
    if(('Window'in label or 'Windows' in label) and ('<b>' in label or '<strong>' in label)):
        text=re.findall(pattern, label)
        print(text)

其中，labels是包含标签的此类html元素的列表。预期的输出为['Features Windows 10','including VGA,']

取而代之的是：[('', 'Features Windows 10 Pro'), ('including VGA,', '')]

请帮助。预先感谢。

Answer 1

需要BeautifulSoup吗？

from bs4 import BeautifulSoup

data = BeautifulSoup("""Customizable:<strong>Features Windows 10 Pro</strong> and legacy ports <b>including VGA,</b> HDMI, RJ-45, USB Type A connections""")

data.find_all('strong')[0].text
data.find_all('b')[0].text

输出

Features Windows 10 Pro
'including VGA,'

Answer 2

第一个you should not use regexes to parse markup text。

话虽这么说，结果是设计。 re.findall的文档对此非常明确（强调我的观点）：

re.findall（模式，字符串，标志= 0）

以字符串列表形式返回字符串中所有不重复的模式匹配项。从左到右扫描该字符串，并以找到的顺序返回匹配项。如果该模式中存在一个或多个组，则返回一个组列表；否则，返回一个列表。 如果模式包含多个组，这将是元组列表。

您的模式包含2组，一组用于，一组用于。您将获得两个元组，以便您知道匹配的组。

如果您不喜欢这样做，则可以使用finditer来返回匹配对象。匹配对象上的group(0)是匹配的字符串的一部分：

text = [m.group() for m in pattern.finditer(label)]

正则表达式提取<b>和<strong>标记之间的文本

2 个答案: