为什么HTML标签起始和结束标志不同

博主在爬取搜索页面时,遇到网站将搜索关键词字体突出显示,包含HTML标签的情况。介绍了使用Python的正则表达式re module删除HTML标签的方法,先删结束符号,再删起始符号,也可将操作合并,最终得到无标签的内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

以前对这个问题有一些朦胧的理解,今天在爬取一个搜索页面时,网站将页面中显示的搜索关键词进行了字体的突出显示。

 

如:

>>> title = "【<em class='keyword'>羽生结弦</em>】190429 平成的红白"

# 在获取数据时,这样的HTML标签标志符号需要通过正则表达式re module删掉。

>>> import re

# 但是如果直接匹配<.*>

>>> title_new = re.sub(r'<.*>', "", title)

# 会发现标签中的内容也被删掉。

>>> title_new

'【】190429 平成的红白'

# 聪明的你肯定发现了,需要先把更特殊的HTML标签结束符号删掉。

>>> title_new = re.sub(r'</.*>', "", title)

>>> title_new

"【<em class='keyword'>羽生结弦】190429 平成的红白"

# 再删除标签起始符号

>>> title_new = re.sub(r'<.*>', "", title_new)

>>> title_new

'【羽生结弦】190429 平成的红白'

# 这个操作可以合并到一起,也就是:

>>> title_new = re.sub(r'<.*>', "", re.sub(r'</.*>', "", title))

>>> title_new

'【羽生结弦】190429 平成的红白'

 

也许大家早就知道了,但这是愚蠢的我今天的新发现,开心。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值