在python中使用正则表达式从HTML中提取内容答案

【问题标题】：Extracting a content from HTML using regex in python在python中使用正则表达式从HTML中提取内容
【发布时间】：2016-08-01 01:31:53
【问题描述】：

我有这个 HTML 代码

<a class="button block left icon-phone" data-reveal="\u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1"  href="#">

这是一个刺痛，我想提取 data-reveal 前面的内容。我做了一些像

这样的正则表达式

p = re.compile('data-reveal=*')

但他们没有工作。我该怎么做？谢谢。

【问题讨论】：

数据前面的一切都暴露了，包括href="#"？你能发布你想要的确切结果吗？
BS4 是一个更好的选择..
data-reveal="([^"]*)" 如果您只想要 data-reveal 中的数据

标签： python html regex

【解决方案1】：

您不应该为此使用正则表达式，但我假设您想要这样做，因为这就是您在操作中所做的。我不确定你想要什么，所以这里是我认为你可能会问的任何一种方法

match everything in data-reveal:
data-reveal="(.+?)"
matches: \u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1

match EVERYTHING in front of data-reveal
data-reveal="(.+)
matches: \u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1"  href="#">

第一个正则表达式：https://regex101.com/r/jW9fT4/1

第二个正则表达式：https://regex101.com/r/uZ7vX2/1

【讨论】：

【解决方案2】：

您正在为此使用the wrong tool。您应该使用像 BeautifulSoup 这样的 Html 解析器。

>>> from bs4 import BeautifulSoup
>>> doc = """<a class="button block left icon-phone" data-reveal="\u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1"  href="#">"""
>>> soup = BeautifulSoup(doc, 'html.parser')
>>> print(soup.find('a').get('data-reveal'))
۰۹۳۶۵۶۸۱۶۲۱

【讨论】：

【解决方案3】：

试试这个：

import re

html = """<a class="button block left icon-phone" data-reveal="\u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1"  href="#">"""

regexObj = re.compile('data-reveal="(.*)" ')
result = regexObj.search(html);
print(result.group(1))

输出：

۰۹۳۶۵۶۸۱۶۲۱

【讨论】：

嗨，仁，非常感谢您的回答。现在，当我打印输出时，它显示 utf-8 (\u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1) 我怎样才能将其转换为显示 0936656611621 的纯文本？再次感谢。
谢谢，我想通了，我应该使用 b'\u06f0\u06f9\u06f3\u06f6\u06f5\u06f6\u06f8\u06f1\u06f6\u06f2\u06f1'