为什么HTML标签起始和结束标志不同

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。