正则表达式：提取两个标记之间的文本

Question

我正在尝试写一个Python解析器，从HTML页面中提取一些信息。

它应该从 <p itemprop="xxx"> 和 </p> 之间提取文本。

我使用了正则表达式：

m = re.search(ur'p>(?P<text>[^<]*)</p>', html)

但是如果它们之间有其他标签，这个正则表达式就无法解析文件。例如：

<p itemprop="xxx"> some text <br/> another text </p>

我了解到 [^<] 只能排除一个符号。那么，怎么写才能排除“</p>”呢？

Answer 1

1) 千万不要用正则表达式来解析HTML。

2) 下面这个正则表达式在某些情况下、某些HTML上可能会有效：

#!/usr/bin/python2.7

import re

pattern = ur'''
    (?imsx)             # ignore case, multiline, dot-matches-newline, verbose
    <p.*?>              # match first marker
    (?P<text>.*?)       # non-greedy match anything
    </p.*?>             # match second marker
'''

print re.findall(pattern, '<p>hello</p>')
print re.findall(pattern, '<p>hello</p> and <p>goodbye</p>')
print re.findall(pattern, 'before <p>hello</p> and <p><i>good</i>bye</p> after')
print re.findall(pattern, '<p itemprop="xxx"> some text <br/> another text </p>')

正如其他回答所提到的，.*? 是一种非贪婪模式，它可以匹配任何字符。

Answer 2

你可以使用：

m = re.search(ur'p>(?P<text>.*?)</p>', html)

这是一个懒惰匹配，它会匹配所有内容，直到遇到</p>为止。你还可以考虑使用一个HTML解析器，比如BeautifulSoup，安装后可以用CSS选择器来进行操作，像这样：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html)
m = soup.select('p[itemprop="xxx"]')