使用正则表达式或lxml在Python中提取HTML注释？
如何使用Python从文档中提取所有HTML样式的注释 我试过使用正则表达式：使用正则表达式或lxml在Python中提取HTML注释？,python,regex,Python,Regex,如何使用Python从文档中提取所有HTML样式的注释 我试过使用正则表达式： text = 'hello, world <!-- comment -->' re.match('<!--(.*?)-->', text) text='hello，world' 重新匹配（“”，文本） 但它什么也不产生。我不明白这一点，因为同一个正则表达式在同一个字符串上可以正常工作 更新：我的文档实际上是一个XML文件，我正在用pyquery（基于lxml）解析文档，但我认为lxml不能
text = 'hello, world <!-- comment -->'
re.match('<!--(.*?)-->', text)
text='hello，world'
重新匹配（“”，文本）
<?xml version="1.0" encoding="UTF-8"?>
<clinical_study rank="220398">
<intervention_browse>
<!-- CAUTION: The following MeSH terms are assigned with an imperfect algorithm -->
<mesh_term>Freund's Adjuvant</mesh_term>
<mesh_term>Keyhole-limpet hemocyanin</mesh_term>
</intervention_browse>
<!-- Results have not yet been posted for this study -->
</clinical_study>
弗氏佐剂
锁孔帽贝血蓝蛋白
更新2：感谢您提出另一个答案，但我已经在用lxml对文档进行广泛的解析，不想用BeautifulSoup重写所有内容。相应地更新了标题 您可以使用Beautiful Soup在这样的for循环中提取注释
from bs4 import BeautifulSoup, Comment
text = 'hello, world <!-- comment -->'
soup = BeautifulSoup(text, 'lxml')
for x in soup.findAll(text=lambda text:isinstance(text, Comment)):
print(x)
，注释
text='你好，世界'
soup=BeautifulSoup（文本“lxml”）
对于soup.findAll中的x（text=lambda text:isinstance（text，Comment））：
打印（x）
from bs4 import BeautifulSoup, Comment
text = 'hello, world <!-- comment -->'
soup = BeautifulSoup(text, 'lxml')
for x in soup.findAll(text=lambda text:isinstance(text, Comment)):
print(x)
，注释
text='你好，世界'
soup=BeautifulSoup（文本“lxml”）
对于soup.findAll中的x（text=lambda text:isinstance（text，Comment））：
打印（x）
匹配搜索text = 'hello, world <!-- comment -->'
comment = re.search('<!--(.*?)-->', text)
comment.group(1)
将
matchsearchtext = 'hello, world <!-- comment -->'
comment = re.search('<!--(.*?)-->', text)
comment.group(1)
必须使用re.findall（）方法提取与特定模式匹配的所有子字符串
re.match（）只会检查模式是否适合字符串开头，而re.search（）只会获取字符串中的第一个匹配项。出于您的目的，re.findall（）绝对是正确的方法，应该是首选。您必须使用re.findall（）方法来提取与特定模式匹配的所有子字符串
re.match（）只会检查模式是否适合字符串开头，而re.search（）只会获取字符串中的第一个匹配项。出于您的目的，re.findall（）绝对是正确的方法，应该是首选方法。这似乎是我的评论：
from lxml import etree
txt = """<?xml version="1.0" encoding="UTF-8"?>
<clinical_study rank="220398">
<intervention_browse>
<!-- CAUTION: The following MeSH terms are assigned with an imperfect algorithm -->
<mesh_term>Freund's Adjuvant</mesh_term>
<mesh_term>Keyhole-limpet hemocyanin</mesh_term>
</intervention_browse>
<!-- Results have not yet been posted for this study -->
</clinical_study>"""
root = etree.XML(txt)
print root[0][0]
这似乎是我的评论：
from lxml import etree
txt = """<?xml version="1.0" encoding="UTF-8"?>
<clinical_study rank="220398">
<intervention_browse>
<!-- CAUTION: The following MeSH terms are assigned with an imperfect algorithm -->
<mesh_term>Freund's Adjuvant</mesh_term>
<mesh_term>Keyhole-limpet hemocyanin</mesh_term>
</intervention_browse>
<!-- Results have not yet been posted for this study -->
</clinical_study>"""
root = etree.XML(txt)
print root[0][0]
XPath在这里工作得很好：
tree.XPath（'//comment（）'）tree = lxml.html.fromstring(html)
for el in tree.xpath('//script | //style | //comment()'):
el.getparent.remove(el)
没有美化组。XPath在这里工作得很好：
tree.XPath（'//comment（）'）tree = lxml.html.fromstring(html)
for el in tree.xpath('//script | //style | //comment()'):
el.getparent.remove(el)
没有BeautifulSoup。使用lxml或beautifulsoup@MaxU我已经在使用lxml（pyquery），所以我不想切换到BeautifulSoup，但谢谢。我已经更新了这个问题，以明确我很乐意使用regex或lxml。@Padraic我不确定它在lxml中是否可行，请参阅更新。@Richard dox您链接到的建议您可以确定
标记是否是etree。注释--您尝试过吗？然后，如果True
可以只打印标记
属性值？@DavidZemens的问题是没有标记
，注释只是浮动的。使用lxml或beautifulsoup@MaxU我已经在使用lxml（pyquery），所以我不想切换到BeautifulSoup，但谢谢。我已经更新了这个问题，以明确我很乐意使用regex或lxml。@Padraic我不确定它在lxml中是否可行，请参阅更新。@Richard dox您链接到的建议您可以确定标记是否是etree。注释--您尝试过吗？然后，如果True
可以只打印标记
属性值？@DavidZemens的问题是没有标记
，注释只是浮动的。谢谢！这实际上是我关心的最后一条评论（在一个有任意数量评论的文档中，尽管最后一条评论总是在结束clinical\u study
tag）之前），你知道怎么得到它吗？啊root[0]
似乎就是这样。谢谢<代码>根（1）< /代码>为我打印<代码> <代码>。干杯，如果它工作的话，李察请考虑把这个答案标记为“接受”。谢谢！这实际上是我关心的最后一条评论（在一个有任意数量评论的文档中，尽管最后一条评论总是在结束clinical\u study
tag）之前），你知道怎么得到它吗？啊root[0]
似乎就是这样。谢谢<代码>根（1）< /代码>为我打印<代码> <代码>。干杯，如果它工作的话，李察应该考虑把这个答案标记为“接受”。