提取正则表达式匹配的一部分答案

【问题标题】：Extract part of a regex match提取正则表达式匹配的一部分
【发布时间】：2010-11-22 13:53:10
【问题描述】：

我想要一个正则表达式来从 HTML 页面中提取标题。目前我有这个：

title = re.search('<title>.*</title>', html, re.IGNORECASE).group()
if title:
    title = title.replace('<title>', '').replace('</title>', '')

是否有正则表达式可以只提取

的内容，这样我就不必删除标签？

【问题讨论】：

哇，我不敢相信所有调用解析整个 HTML 页面的响应只是为了提取一个简单的标题。多么矫枉过正！
问题标题说明了一切 - 给出的示例 happens 是 HTML，但一般问题是......一般。

标签： python html regex html-content-extraction

【解决方案1】：

在正则表达式中使用()，在python中使用group(1)来检索捕获的字符串（re.search如果没有找到结果将返回None，所以不要使用@ 987654328@直接）：

title_search = re.search('<title>(.*)</title>', html, re.IGNORECASE)

if title_search:
    title = title_search.group(1)

【讨论】：

如果没有找到标题，你什么都不做，为什么直接使用 group() 会是一件坏事？（无论如何你都可以捕捉到异常）
是的，但是大多数人忘记了异常，当他们在运行时看到它们时真的很惊讶:)
别忘了运行import re，否则你会得到NameError: name 're' is not defined

【解决方案2】：

请注意，从Python 3.8 开始，并引入assignment expressions (PEP 572)（:= 运算符），可以通过将 if 条件中的匹配结果直接捕获为变量并重新对Krzysztof Krasoń's solution 进行一些改进在条件体中使用它：

# pattern = '<title>(.*)</title>'
# text = '<title>hello</title>'
if match := re.search(pattern, text, re.IGNORECASE):
  title = match.group(1)
# hello

【讨论】：

【解决方案3】：

尝试使用捕获组：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

【讨论】：

【解决方案4】：

我可以推荐你去美丽的汤。 Soup 是一个非常好的库，可以解析所有的 html 文档。

soup = BeatifulSoup(html_doc)
titleName = soup.title.name

【讨论】：

我想补充一下，beautifulsoup 还可以解析不完整的 html，真的很好。

【解决方案5】：

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

【讨论】：

【解决方案6】：

试试：

title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

【讨论】：

如果你真的想使用 REGEX 进行 HTML 解析，请不要在匹配时直接运行 .group()，因为它可能返回 None。
您应该使用.*?，以防文档中有多个</title>（不太可能，但您永远不知道）。
@iElectric：如果你真的想的话，你可以把它放在 try except 块中，对吧？

【解决方案7】：

所提供的代码片段不适用于Exceptions 我可以建议吗

getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

如果没有找到模式，或者第一个匹配，默认返回一个空字符串。

【讨论】：

【解决方案8】：

Krzysztof Krasoń 目前投票最多的答案以<title>a</title><title>b</title> 失败。此外，它会忽略跨越行边界的标题标签，例如，出于行长的原因。最后，它以<title >a</title> 失败（这是有效的HTML：White space inside XML/HTML tags）。

因此我提出以下改进：

import re

def search_title(html):
    m = re.search(r"<title\s*>(.*?)</title\s*>", html, re.IGNORECASE | re.DOTALL)
    return m.group(1) if m else None

测试用例：

print(search_title("<title   >with spaces in tags</title >"))
print(search_title("<title\n>with newline in tags</title\n>"))
print(search_title("<title>first of two titles</title><title>second title</title>"))
print(search_title("<title>with newline\n in title</title\n>"))

输出：

with spaces in tags
with newline in tags
first of two titles
with newline
  in title

最终，我和其他人一起推荐了一个 HTML 解析器——不仅是为了处理 HTML 标记的非标准使用。

【讨论】：

【解决方案9】：

我认为这就足够了：

#!python
import re
pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE)
pattern.search(text)

...假设您的文本 (HTML) 位于名为“text”的变量中。

这还假设没有其他 HTML 标记可以合法地嵌入到 HTML TITLE 标记中，并且没有任何方法可以合法地将任何其他

然而 ...

不要在 Python 中使用正则表达式进行 HTML 解析。使用 HTML 解析器！（除非您要编写一个完整的解析器，当各种 HTML、SGML 和 XML 解析器已经在标准库中时，这将是一项额外的、多余的工作）。

如果您正在处理“现实世界”标签汤 HTML（通常不符合任何 SGML/XML 验证器），请使用 BeautifulSoup 包。它不在标准库中（目前），但广泛推荐用于此目的。

另一个选项是：lxml ... 这是为结构正确（符合标准）的 HTML 编写的。但它可以选择使用 BeautifulSoup 作为解析器：ElementSoup。

【讨论】：

re.MULTILINE 应该在这里做什么？它改变了行首^ 和行尾$，这两个你都不使用。

【解决方案10】：

没有人建议使用lookahead 和lookbehind 是否有特殊原因？我来到这里试图做同样的事情，(?<=<title>).+(?=<\/title>) 效果很好。它只会匹配括号之间的内容，因此您不必执行整个组的操作。

【讨论】：

【解决方案11】：

我需要匹配 package-0.0.1（名称、版本）的内容，但想拒绝无效版本，例如 0.0.010。

参见regex101 示例。

import re

RE_IDENTIFIER = re.compile(r'^([a-z]+)-((?:(?:0|[1-9](?:[0-9]+)?)\.){2}(?:0|[1-9](?:[0-9]+)?))$')

example = 'hello-0.0.1'

if match := RE_IDENTIFIER.search(example):
    name, version = match.groups()
    print(f'Name:     {name}')
    print(f'Version:  {version}')
else:
    raise ValueError(f'Invalid identifier {example}')

输出：

Name:     hello
Version:  0.0.1

【讨论】：