正则表达式：匹配两个项目之间的文本答案

【问题标题】：Regex: match text between 2 items正则表达式：匹配两个项目之间的文本
【发布时间】：2013-08-05 01:47:40
【问题描述】：

我如何匹配下面的代码来获得两个字符串：

结束标签的第三个标题
第二个标题到第 6 个结束一个标签。（等等...第三个标题到第 9 个结束一个标签...等等）

这里是要匹配的字符串：

title
<a></a>
content here
<a></a>
text...
<a></a>
text...
title 
<a></a>
<a></a>
<a></a>

我尝试使用 .* 但这捕获了从标题到最后一个标签的文本。

【问题讨论】：

我希望您没有使用正则表达式解析 HTML！ stackoverflow.com/a/1732454/188
这是一个6层嵌套的锚元素吗？这个页面到底在做什么？
@Matthew，代码格式永远不会改变，所以我认为在这种情况下使用正则表达式解析 html 没有任何问题......
“永不改变”，直到它改变为止。我有时会使用正则表达式从 HTML 中提取数据，但通常启动适当的解析器并获取所需的位同样容易。
就像@MatthewSchinckel 说的那样，您可以使用诸如 beautifulSoup 或 lxml 包之类的东西更快地完成这项工作。

标签： python html regex parsing

【解决方案1】：

from re import findall, DOTALL

text = '''
title
<a></a>
content here
<a></a>
text...
<a></a>
text...
title 
<a></a>
<a></a>
<a></a>
'''
print findall(r'title.*?</a>.*?</a>.*?</a>', text, DOTALL)

给予

['title\n<a></a>\ncontent here\n<a></a>\ntext...\n<a></a>', 'title \n<a></a>\n<a></a>\n<a></a>']

你也可以使用

print findall(r'title(?:.*?</a>){3}', text, DOTALL)

【讨论】：

【解决方案2】：

一般* 是贪婪的，而*? 是不情愿的。尝试将.* 替换为.*?。

【讨论】：

.*?只会从标题到它后面的第一个
是的，因此您可以应用它（顺序或嵌套）三次以获得结果。 Matthew Schinckel 的第二条评论也可能会派上用场。