提取标记及其内容的正则表达式模式

Question

考虑到这一点：

input = """Yesterday<person>Peter</person>drove to<location>New York</location>"""

如何使用正则表达式模式提取：

person: Peter
location: New York

这很好，但我不想硬编码标签，它们可以更改：

print re.findall("<person>(.*?)</person>", input)
print re.findall("<location>(.*?)</location>", input)

Answer 1

避免使用正则表达式解析HTML，而是使用HTML解析器。

这里有一个使用美丽汤的例子：

from bs4 import BeautifulSoup    

data = "Yesterday<person>Peter</person>drove to<location>New York</location>"
soup = BeautifulSoup(data)

print 'person: %s' % soup.person.text
print 'location: %s' % soup.location.text

打印：

person: Peter
location: New York

注意代码的简单性。

希望这有帮助。

Answer 2

使用为工作设计的工具。我碰巧喜欢lxml，但他们是另一个

>>> minput = """Yesterday<person>Peter Smith</person>drove to<location>New York</location>"""
>>> from lxml import html
>>> tree = html.fromstring(minput)
>>> for e in tree.iter():
        print e, e.tag, e.text_content()
        if e.tag() == 'person':          # getting the last name per comment
           last = e.text_content().split()[-1]
           print last


<Element p at 0x3118ca8> p YesterdayPeter Smithdrove toNew York
<Element person at 0x3118b48> person Peter Smith
Smith                                            # here is the last name
<Element location at 0x3118ba0> location New York

如果您是Python新手，那么您可能希望访问此站点，获取包括LXML在内的许多软件包的安装程序。