Python字符串操作，提取html标签之间的文本 [英] Python string operation, extract text between html tags

问题描述

我有一个字符串：

 < font face =ARIAL，HELVETICAsize = -  2> 
 JUL 28< / font> 
  

（它输出两行，所以必须有\\\
。

我希望提取< font>< / font> 标签之间的字符串，在这种情况下，它是JUL 28，但它可能是另一个日期或其他数字。

1）从字体标签之间提取值的最佳方法是什么？我想我可以提取> 和< / 之间的所有内容。

编辑：移除第二个问题。

解决方案

尽管可以通过常规解析任意HTML表达式，它通常是一个死亡陷阱。有很多用于解析HTML的工具，包括 BeautifulSoup ，它是一个可以处理 broken 以及良好HTML的Python库。

;>>>从BeautifulSoup导入BeautifulSoup as BSHTML
>>>> BS = BSHTML（
...< font face =ARIAL，HELVETICAsize = - 2 >
... JUL 28< / font>
...）
>>> BS.font.contents [0] .strip（）
u'JUL 28'

然后你只需要解析日期：

 >>>>> datetime.strptime（BS.font.contents [0] .strip（），'％ b％d'）
>>> datetime.datetime（1900，7，28，0，0）
 datetime.datetime（1900，7，28，0，0）
  

I have a string:

<font face="ARIAL,HELVETICA" size="-2">  
JUL 28         </font>

(it outputs over two lines, so there must be a \n in there.

I wish to extract the string that's in between the <font></font> tags. In this case, it's JUL 28, but it might be another date or some other number.

1) The best way to extract the value from between the font tags? I was thinking I could extract everything in between "> and </.

edit: second question removed.

解决方案

While it may be possible to parse arbitrary HTML with regular expressions, it's often a death trap. There are great tools out there for parsing HTML, including BeautifulSoup, which is a Python lib that can handle broken as well as good HTML fairly well.

>>> from BeautifulSoup import BeautifulSoup as BSHTML
>>> BS = BSHTML("""
... <font face="ARIAL,HELVETICA" size="-2">  
... JUL 28         </font>"""
... )
>>> BS.font.contents[0].strip()
u'JUL 28'

Then you just need to parse the date:

>>> datetime.strptime(BS.font.contents[0].strip(), '%b %d')
>>> datetime.datetime(1900, 7, 28, 0, 0)
datetime.datetime(1900, 7, 28, 0, 0)

这篇关于Python字符串操作，提取html标签之间的文本的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！