Python 正则表达式不包括标签

Question

我写了一个脚本，发布在下面，它基本上会进入纯文本字典网站并搜索输入的单词并检索定义。唯一的问题是它也返回了结束段落标签，我已经搞砸了很多年了。

#!/usr/bin/python
import urllib2
import re
import sys


word = 'Xylophone'
page = urllib2.urlopen('http://www.mso.anu.edu.au/~ralph/OPTED/v003/wb1913_'+word[0].lower()+'.html')
html = page.read()

match = re.search(r'<P><B>'+word+'</B>.............(.*)', html)

if match: 
    print match.group(1)
else: print 'not found'

这将返回带有标签的定义。这里忽略标签的正确正则表达式语法是什么？

Answer 1

先决条件：阅读RegEx match open tags except XHTML self-contained tags著名话题。

由于您要解析的是一个 html 页面，因此我会使用专门为此设计的工具 - HTML parser。

例如BeautifulSoup:

import urllib2
from bs4 import BeautifulSoup

word = 'Xylophone'
page = urllib2.urlopen('http://www.mso.anu.edu.au/~ralph/OPTED/v003/wb1913_'+word[0].lower()+'.html')
soup = BeautifulSoup(page)

print soup.find('b', text=word).parent.text

打印：

木琴 (n.) 一种常见于俄罗斯人、波兰人和 鞑靼人，由一系列木条或玻璃条组成，有刻度 长到音阶，靠在稻草带上，敲击 用两把小锤子。在德国称为 strohfiedel，或稻草 小提琴。