正则表达式：从零到简单分析HTML标签

什么是正则表达式？

正则表达式（Regular Expression，简称Regex）是一种强大的文本搜索工具，它允许您使用简短的代码来查找、匹配、替换或分割字符串中的文本。正则表达式可以用于各种编程语言，包括Python、Java、JavaScript和PHP。

正则表达式如何工作？

正则表达式使用一组特殊字符来匹配字符串中的文本。这些字符包括：

• 点号(.)： 匹配任何单个字符。
• 星号(*)： 匹配零个或多个字符。
• 加号(+)： 匹配一个或多个字符。
• 问号(?)： 匹配零个或一个字符。
• 方括号([])： 匹配指定范围内的单个字符。
• 圆括号()： 将正则表达式分组。
• 竖线(|)： 表示或。

如何使用正则表达式解析HTML标签？

您可以使用正则表达式从HTML中提取数据。例如，您可以使用以下正则表达式来匹配

标签：

<p>(.*?)</p>

这个正则表达式将匹配所有

标签的内容，并将其捕获到组1中。您可以使用以下代码来获取匹配的文本：

import re

html = '<p>This is a paragraph.</p>'

pattern = re.compile('<p>(.*?)</p>')
match = pattern.search(html)

if match:
  print(match.group(1))

这将输出以下结果：

This is a paragraph.

正则表达式实战

以下是一些使用正则表达式解析HTML标签的示例：

• 匹配所有标签：

<a href="(.+?)">(.+?)</a>

这个正则表达式将匹配所有标签，并将其href属性和文本内容分别捕获到组1和组2中。

<img src="(.+?)" alt="(.+?)">

<div class="(.+?)">(.+?)</div>