我试图创建正则表达式以包含文本而不是 href答案

【问题标题】：Im trying to create the regular expression to include the text and not the href我试图创建正则表达式以包含文本而不是 href
【发布时间】：2017-10-20 02:39:09
【问题描述】：

我正在尝试创建一个正则表达式，它将包含 HTML 中的文本，但不包含网址。

这是代码：

<h2 class="story-heading"><a href="http://web.archive.org/web/20171012234502/https://www.nytimes.com/2017/10/12/us/politics/trump-obamacare-executive-order-health-insurance.html">Trump Allows for Cheaper, Less Regulated Health Plans</a></h2>

我尝试做正则表达式： <h2 class="story-heading">(.*?)</a></h2>

但我很困惑如何删除该行的 href 部分以仅包含文本？所以我需要它只返回“特朗普允许更便宜、监管更少的健康计划”

【问题讨论】：

您最好使用可用的 html 解析器之一来解析 html，然后遍历结果而不是尝试手动解码。
我们必须使用给我们的正则表达式测试器。有没有办法纯粹作为正则表达式来做到这一点？
你可以用正则表达式来近似它，但它可能无法处理所有情况。
<.>(.*) 这个正则表达式对你很有帮助。

标签： python html regex

【解决方案1】：

你可以试试这个：

import re
s = '<h2 class="story-heading"><a href="http://web.archive.org/web/20171012234502/https://www.nytimes.com/2017/10/12/us/politics/trump obamacare-executive-order-health-insurance.html">Trump Allows for Cheaper, Less Regulated Health Plans</a></h2>'
final_data = re.findall('>([a-zA-Z,\s]+)</a></h2>', s)[0]

输出：

'Trump Allows for Cheaper, Less Regulated Health Plans'

【讨论】：

【解决方案2】：

这个表达式应该做你想做的事

<h2 class="story-heading"><a.*?>(.*?)<\/a><\/h2>

这与您最初尝试的唯一区别是它在结束时停止“>”，然后从那里捕获到下一个“

只要您要查找的文本位于“a”标签之间，这应该可以工作。我不知道这有多有效。

编辑：根据要求进一步解释：

首先我们匹配故事标题

<h2 class="story-heading">

然后匹配链接标签的开始，然后是链接中的任何字符，直到我们找到该标签的结束。

<a.*?>

然后我们可以捕获任何字符，这将是我们正在寻找的标题

(.*?)

直到找到对应的链接标签和头标签的开头

<\/a><\/h2>

注意：反斜杠对于您使用的可能不是必需的，我添加它们是因为它们在我使用的工具中是必需的，如果我的解释不充分，这也可能有助于您理解：Online regex tester with explanations

【讨论】：

能否解释一下其中的各个部分，以便我可以重用/编辑其他实例的代码？