在python中使用正则表达式剥离标签答案

【问题标题】：Stripping tags using regex in python在python中使用正则表达式剥离标签
【发布时间】：2018-03-27 03:19:53
【问题描述】：

我怎样才能去掉这个列表中的标签：

['</span>A walk in the park<span class="html-tag"]

我设法使用(r'(?<=</span>)[^>]+') 删除第一个标签，但不知道如何删除第二个标签。我知道正则表达式不是处理标签的方法，但只是想弄清楚这一点。

【问题讨论】：

出于好奇 - 首先你是如何得到那个字符串的......？几乎看起来您可能希望在某些处理的早期以不同方式提取文本，而不是整理...
@JonClements 我刚刚创建了上述内容，以反映我在更复杂的任务中遇到的一些问题，这些问题很难解释。
当然 - 只是似乎你正试图清理可以避免的事情......
我知道，嘿。它是 uni 任务的一部分，禁止使用除“re”模块之外的任何模块进行网络抓取。我觉得很傻

标签： python regex web-scraping

【解决方案1】：

你可以使用：

(?:>)(.*)(?:<)

在正则表达式中，每个打开和关闭的圆括号都定义了一个组。在这里，我们有 3 对圆括号，但第一个和最后一个在里面有一个 ?:。这意味着被定义的组是一个非捕获组，因此需要它来匹配模式，但解析器不会返回它。相反，您想要的是第 1 组。

【讨论】：

【解决方案2】：

您的正则表达式非常接近。在lookbehind找到的位置之后，你只想读到下一个<：

(?<=</span>)[^<]+

查看regex101

$ cat test.py
import re
s='</span>A walk in the park<span class="html-tag"'
print re.findall(r'(?<=</span>)[^<]+', s)

$ python test.py
['A walk in the park']

【讨论】：