正则表达式从 HTML 中提取名称答案

【问题标题】：Regex to extract names from HTML正则表达式从 HTML 中提取名称
【发布时间】：2020-03-28 10:01:32
【问题描述】：

下面有两段代码，我想从中提取名称。

代码：

 ;"><strong>DeanSkyShadow</strong>
 ;"><strong><em>Xavier</em></strong>

正则表达式应该提取名称 DeanSkyShadow 和 Xavier。我当前的正则表达式：

(?<=(;"><strong><em>)|(;"><strong>))[\s\S]+?(?=(</em></strong>)|(</strong>))

如果代码中没有 em 标签，则正确抓取名称；如果有，那么它也会抓取开始的 em 标签，如下所示：<em>Xavier。我该如何解决？

【问题讨论】：

为什么在 HTML 解析器更适合的地方使用正则表达式？
好吧，因为我不知道什么是 HTML 解析器，你能解释一下吗？我使用 urllib2 首先读取特定页面的 html，然后使用正则表达式提取名称。

标签： python html regex

【解决方案1】：

匹配任何不是 < 字符的东西；你也不能使用可变宽度的look-behind，所以你的版本根本不起作用。改用非捕获模式

(?:;"><strong>(?:<em>)?)([^<]+?)(?=(?:</em>)?</strong>)

演示：

>>> import re
>>> sample = '''\
...  ;"><strong>DeanSkyShadow</strong>
...  ;"><strong><em>Xavier</em></strong>
... '''
>>> re.findall(r'(?:;"><strong>(?:<em>)?)([^<]+?)(?=(?:</em>)?</strong>)', sample)
['DeanSkyShadow', 'Xavier']

更好的 解决方案是改用 HTML 解析器。我可以推荐BeautifulSoup：

from bs4 import BeautifulSoup

soup = BeautifulSoup(htmltext)

for strong in soup.find_all('strong'):
    print strong.text

【讨论】：

不错，确实是一个更好的解决方案。
感谢正则表达式更新，它现在可以工作了:) 之前很困惑