根据位置将字符串过滤到列表中 - Python答案

【问题标题】：Filter strings into list depending on position - Python根据位置将字符串过滤到列表中 - Python
【发布时间】：2013-09-16 18:53:15
【问题描述】：

例如，这是我的字符串：

myString = "<html><body><p>Hello World!</p><p>Hello Dennis!</p></body></html>"

我想要实现的是：

myList = ['Hello World!','Hello Dennis!']

使用正则表达式或其他方法，如何过滤掉myString中的段落文本而忽略html标签以实现myList？

我试过了：

import re
a="<body><p>Hello world!</p><p>Hello Denniss!</p></body>"
result=re.search('<p>(.*)</p>', a)
print result.group(1)

结果是：Hello world!</p><p>Hello Denniss!，当我尝试(.*)(.*) 时，我得到了Hello World!

这个字符串只是一个例子。该字符串也可能是 <garbage>abcdefghijk<gar<bage>，具体取决于 Web 开发人员对网站的编码方式。

这可能是一个复杂的正则表达式，但我需要学习这一点，因为这是我将在今年晚些时候参加的网络安全竞赛，我认为我最好的选择是开发一种在 @ 之间搜索文本的算法987654332@ 和 <。

我该怎么办？

对不起，如果我的问题格式不正确，我有一点学习问题。

【问题讨论】：

Always relevant about Regex and HTML
@TyrantWave FWIW
@HamZa - 嗯，我不太同意那个元数据，特别是当问题是关于提取文本时（哪个正则表达式确实失败了）。我当然永远不会将其链接为答案，至少在没有给出完整解释的情况下。评论就是这样 - 对问题的评论。

标签： python html regex

【解决方案1】：

您想去掉html 文本中的所有标签吗？我不会选择正则表达式，最好其他方法，例如使用BeautifulSoup，你会在黑客会议上大吃一惊：

from bs4 import BeautifulSoup

myString = "<html><body><p>Hello World!</p><p>Hello Dennis!</p></body></html>"

myList = list(BeautifulSoup(myString).strings))

它产生：

['Hello World!', 'Hello Dennis!']

【讨论】：

谢谢你，它真的很有用..我用 unicode 获取它有关系吗？例如 [u'Hello',u'World!']
@vjgaero：据我所知是正确的。 BeautifulSoup 从html 代码中提取时解码它们。

【解决方案2】：

使用正则表达式进行 HTML 解析绝对是 limited，但如果您想要真正的 HTML 挖掘解决方案，请尝试查看此插件 BeautifulSoup。

至于你的正则表达式，asterisk 量词是贪婪，它会一直吃到最后一个</p>。所以，你应该使用(?=XXX) 命令，这意味着搜索直到找到XXX。

尝试以下方法：

re.findall(r'<p>(.*?)(?=</p>)', s)

【讨论】：