Python：需要使用正则表达式从html页面中提取标签内容，而不是BeautifulSoup答案

【问题标题】：Python: Need to extract tag content from html page using regex, but not BeautifulSoupPython：需要使用正则表达式从html页面中提取标签内容，而不是BeautifulSoup
【发布时间】：2011-08-14 10:38:42
【问题描述】：

我有一个要求，我必须提取 <raw> 标签内的内容。例如我需要从这个html sn-p中提取abcd和efgh：
<html><body><raw somestuff>abcd</raw><raw somesuff>efgh</raw></body></html>

我在我的 python 中使用了这段代码
re.match(r'.*raw.*(.*)/raw.*', DATA)

但这并没有返回任何子字符串。我不擅长正则表达式。因此，对此进行更正或新的解决方案将对我有很大帮助。我不应该使用外部库（由于我公司的一些限制）。

【问题讨论】：

供您欣赏：stackoverflow.com/questions/1732348/…
不确定这个问题被问的频率如何？
“我不应该使用外部库（由于我公司的一些限制）”这是一个非常非常糟糕的主意。您的公司正在浪费时间和金钱，让您尝试重新发明现有的、有效的、正确的、广泛使用的解决方案。
或者公司是学校，作业是作业;)

标签： python html regex tags substring

【解决方案1】：

贵公司确实需要重新考虑他们的政策。重写 XML 解析器完全是浪费时间，Python 已经有好几个了。有些包含在标准库中，所以如果你可以import re，你也应该被允许import xml.etree.ElementTree 或http://docs.python.org/library/markup.html 中列出的任何其他内容。

你真的应该使用其中之一。重复所有这些工作是没有意义的。

【讨论】：

【解决方案2】：

使用非贪婪匹配 (*?) 可以轻松做到这一点，至少对于您的示例而言。

re.findall(r'<raw[^>]*?>(.*?)</raw>', DATA)

【讨论】：

遗憾的是，它一般不会起作用。但它似乎会工作一段时间。
这不是一个很有帮助的评论@S.Lott，你到底指的是什么？
@Rob Young：像 XML 或 HTML 这样的语言的正则表达式可能会被同类型的深度嵌套标签打败。因此，<raw><raw></raw></raw> 结构将击败任何 RE。
@S.Lott 我认为我在这句话中很可爱，但我想我应该更明确地指出“至少对于你的例子”。
不是每个人都受到正则表达式的限制。正如您从尝试使用 RE 解析 HTML 或 XML 的人们提出的 Stack Overflow 问题的数量中看到的那样。