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。