📅 最后修改于: 2023-12-03 15:15:44.334000 🧑 作者: Mango
HTML网页是互联网上最常见的文档类型之一，处理HTML文档时，我们需要对文档中的各种标签进行解析和处理。这就需要用到Python中的正则表达式。
正则表达式是一种文本模式，用来描述字符串的模式匹配。它是一种通用的语言，被用于各种编程语言和工具中。
在Python中，我们可以通过re模块来使用正则表达式。re模块提供了许多函数和方法来执行各种操作，例如查找、替换和分割。
在HTML文档中，我们可以使用正则表达式来匹配各种标签和属性。下面是一个示例HTML文档：
<html>
<head>
<title>Example HTML Document</title>
</head>
<body>
<h1>Welcome to my website!</h1>
<p>This is a paragraph of text.</p>
<ul>
<li>Item 1</li>
<li>Item 2</li>
<li>Item 3</li>
</ul>
<img src="image.png" alt="Example Image">
</body>
</html>
假设我们想要匹配所有的<li>标签，可以使用下面的代码：
import re
html = """
<html>
<head>
<title>Example HTML Document</title>
</head>
<body>
<h1>Welcome to my website!</h1>
<p>This is a paragraph of text.</p>
<ul>
<li>Item 1</li>
<li>Item 2</li>
<li>Item 3</li>
</ul>
<img src="image.png" alt="Example Image">
</body>
</html>
"""
pattern = r"<li>(.*?)</li>"
matches = re.findall(pattern, html)
print(matches)
输出结果为：
['Item 1', 'Item 2', 'Item 3']
这里的正则表达式<li>(.*?)</li>用来匹配<li>标签和其中的内容。.*?表示匹配任意字符，?表示非贪婪匹配。()表示捕获匹配的内容。
类似地，我们可以使用正则表达式来匹配其他标签和属性，例如<a>标签和href属性：
pattern = r'<a\s+href="([^"]+)".*?>(.*?)</a>'
matches = re.findall(pattern, html)
print(matches)
输出结果为：
[('', 'Example HTML Document'), ('', 'Welcome to my website!')]
在上面的正则表达式中，<a>标签和href属性是通过\s+匹配一些空格字符来分隔的。[^"]+匹配引号之间的一段非引号字符，.*?匹配任意字符直到</a>标签。
在Python中，正则表达式是处理HTML文档的强大工具。通过使用正则表达式，我们可以轻松地匹配各种标签和属性，并对HTML文档进行解析和处理。