用于在python中从html提取所有常规文本的正则表达式

如何从部分html文本中提取非html标记的所有内容

也就是说，如果我有这样的东西：

<div>Hello</div><h3><div>world</div></h3>

Helloworld

我想提取['Hello'，'world']

我想到了正则表达式：

>[a-zA-Z0-9]+<

[a-zA-Z0-9]+<

---

但它不包括特殊字符和中文或希伯来文字符，我需要这些字符

从该职位：

你不能用正则表达式解析HTML。太贵了 复杂的。RE's无法处理将在中工作 一个浏览器作为一个适当的文本，但可能会阻碍一个天真的重新

使用合适的HTML解析器，您会更快乐、更成功。 Python人员经常使用一些漂亮的东西来解析HTML和 去掉标签和脚本

此外，从设计上讲，浏览器可以容忍格式错误的HTML。所以你会经常 发现自己试图解析HTML，这显然是不正确的，但是 在浏览器中正常工作

您可能能够用RE解析糟糕的HTML。它所需要的只是 耐心和努力工作。但使用别人的工具通常更简单 解析器

---

你应该看看

从该职位：

你不能用正则表达式解析HTML。太贵了 复杂的。RE's无法处理将在中工作 一个浏览器作为一个适当的文本，但可能会阻碍一个天真的重新

使用合适的HTML解析器，您会更快乐、更成功。 Python人员经常使用一些漂亮的东西来解析HTML和 去掉标签和脚本

此外，从设计上讲，浏览器可以容忍格式错误的HTML。所以你会经常 发现自己试图解析HTML，这显然是不正确的，但是 在浏览器中正常工作

您可能能够用RE解析糟糕的HTML。它所需要的只是 耐心和努力工作。但使用别人的工具通常更简单 解析器

---

正如Avi已经指出的，这对于正则表达式来说太复杂了。使用

get_text

from或

clean_html

from从html中提取文本

from bs4 import BeautifulSoup
clean_text = BeautifulSoup(html).get_text()

或

感谢GuillaumeA，另一个选择是使用：

---

必须指出的是，如果html格式不好，上述html解析器将以不同的成功程度完成这项工作，因此您应该进行实验，看看什么最适合您的输入数据。

正如Avi已经指出的，这对于正则表达式来说太复杂了。使用

get_text

from或

clean_html

from从html中提取文本

from bs4 import BeautifulSoup
clean_text = BeautifulSoup(html).get_text()

或

感谢GuillaumeA，另一个选择是使用：

---

必须指出的是，如果html格式不好，上述html解析器将以不同的成功程度完成这项工作，因此您应该进行实验，看看什么最适合您的输入数据。

我不熟悉Python，但下面的正则表达式可以帮到您

<\s*(\w+)[^/>]*>

]*>

在哪里,

<: starting character

\s*: it may have whitespaces before tag name (ugly but possible).

(\w+): tags can contain letters and numbers (h1). Well, \w also matches '_', but it does not hurt I guess. If curious use ([a-zA-Z0-9]+) instead.

[^/>]*: anything except > and / until closing >

\>: closing >

]*：除>和/或直到结束之外的任何内容>
\>：结束>

我不熟悉Python，但是下面的正则表达式可以帮助您

<\s*(\w+)[^/>]*>

]*>

在哪里,

<: starting character

\s*: it may have whitespaces before tag name (ugly but possible).

(\w+): tags can contain letters and numbers (h1). Well, \w also matches '_', but it does not hurt I guess. If curious use ([a-zA-Z0-9]+) instead.

[^/>]*: anything except > and / until closing >

\>: closing >

]*：除>和/或直到结束之外的任何内容>
\>：结束>

你没有。不要对HTML使用

regex

。使用一个（X）HTML解析器，如BeautifulSoup。如果你想去除HTML标记：BeautifulSoup正是为此目的创建的。关键问题是你的HTML有多复杂。是否有像

或

这样的容器标签应该删除？您没有。不要对HTML使用

regex

。使用一个（X）HTML解析器，如BeautifulSoup。如果你想去除HTML标记：BeautifulSoup正是为此目的创建的。关键问题是你的HTML有多复杂。是否有像

或

这样的容器标签应该被删除？我个人也推荐。它很容易使用，速度也很快。使用pyquery如何准确地从html中提取文本？

>>从pyquery导入pyquery

>>d=pyquery（'Helloworld'）

>>d.text（）

'Helloworld'

@GuillaumeA很酷，谢谢。我个人推荐。它易于使用且速度极快。如何使用pyquery从html中提取文本？

>>>从pyquery导入pyquery

>d=pyquery（'Helloworld'）

>>d.text（）

'Helloworld'
@GuillaumeA Cool，谢谢。