Teil einer Regex-Übereinstimmung extrahieren

Question

Ich möchte einen regulären Ausdruck, um den Titel aus einer HTML-Seite zu extrahieren. Derzeit habe ich dies:

title = re.search('<title>.*</title>', html, re.IGNORECASE).group()
if title:
    title = title.replace('<title>', '').replace('</title>', '') 

Gibt es einen regulären Ausdruck, der nur den Inhalt von <title> extrahiert, so dass ich die Tags nicht entfernen muss?

Answer 1

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

Answer 2

Ich denke, das sollte ausreichen:

#!python
import re
pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE)
pattern.search(text)

... unter der Annahme, dass sich Ihr Text (HTML) in einer Variablen namens "text" befindet.

Dies setzt auch voraus, dass es keine anderen HTML-Tags gibt, die rechtmäßig in einen HTML-TITLE-Tag eingebettet werden können, und dass es keine Möglichkeit gibt, ein anderes <-Zeichen rechtmäßig in einen solchen Container/Block einzubetten.

Allerdings ...

Verwenden Sie keine regulären Ausdrücke für HTML-Parsing in Python. Verwenden Sie einen HTML-Parser! (Es sei denn, Sie wollen einen vollständigen Parser schreiben, was eine zusätzliche und überflüssige Arbeit wäre, wenn verschiedene HTML-, SGML- und XML-Parser bereits in den Standardbibliotheken enthalten sind).

Wenn Sie mit der "realen Welt" zu tun haben Tagessuppe HTML (das häufig nicht mit jedem SGML/XML-Validator konform ist), dann verwenden Sie die BeautifulSoup Paket. Es ist (noch) nicht in den Standardbibliotheken enthalten, wird aber allgemein für diesen Zweck empfohlen.

Eine andere Möglichkeit ist: lxml ... die für korrekt strukturiertes (standardkonformes) HTML geschrieben ist. Aber es hat eine Option, um auf BeautifulSoup als Parser zurückzugreifen: ElementSuppe .

Answer 3

Die zur Verfügung gestellten Codestücke kommen nicht mit Exceptions Darf ich vorschlagen

getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

Dies gibt standardmäßig eine leere Zeichenkette zurück, wenn das Muster nicht gefunden wurde, oder die erste Übereinstimmung.

Answer 4

Die derzeit am besten bewertete Antwort von Krzysztof Krason scheitert mit <title>a</title><title>b</title> . Außerdem ignoriert es Titel-Tags, die Zeilengrenzen überschreiten, z. B. aus Gründen der Zeilenlänge. Schließlich schlägt es fehl bei <title >a</title> (was gültiges HTML ist: Leerraum innerhalb von XML/HTML-Tags ).

Ich schlage daher folgende Verbesserung vor:

import re

def search_title(html):
    m = re.search(r"<title\s*>(.*?)</title\s*>", html, re.IGNORECASE | re.DOTALL)
    return m.group(1) if m else None

Testfälle:

print(search_title("<title   >with spaces in tags</title >"))
print(search_title("<title\n>with newline in tags</title\n>"))
print(search_title("<title>first of two titles</title><title>second title</title>"))
print(search_title("<title>with newline\n in title</title\n>"))

出力します。

with spaces in tags
with newline in tags
first of two titles
with newline
  in title

Letztlich schließe ich mich den Empfehlungen anderer an, die einen HTML-Parser empfehlen - nicht nur, aber auch, um die nicht standardmäßige Verwendung von HTML-Tags zu handhaben.

Answer 5

Ich brauchte etwas Passendes package-0.0.1 (Name, Version), möchte aber eine ungültige Version zurückweisen, z. B. 0.0.010 .

Véase regex101 Beispiel.

import re

RE_IDENTIFIER = re.compile(r'^([a-z]+)-((?:(?:0|[1-9](?:[0-9]+)?)\.){2}(?:0|[1-9](?:[0-9]+)?))$')

example = 'hello-0.0.1'

if match := RE_IDENTIFIER.search(example):
    name, version = match.groups()
    print(f'Name:     {name}')
    print(f'Version:  {version}')
else:
    raise ValueError(f'Invalid identifier {example}')

出力します。

Name:     hello
Version:  0.0.1