如何从html的两个标签中提取文本或替换第一个和最后一个标签

Question

我有类似的文本

• 我只是想从p标签中提取内容

• 我不想消除<p>或它们之间的任何其他标签

d = "<p><p>{'Area': 'Square',</p>n<p> <tr> <td>'Flag': 'com'}</p></p>"

我的代码低于

import re
re.sub('<[^<>]+>', '',d)

我的输出是

"{'Area': 'Square',nxa0xa0'Flag': 'com'}"

预期输出仅替换第一个p和最后一个p标签

"<p>{'Area': 'Square',</p>n<p> <tr> <td>'Flag': 'com'}</p>"

Answer 1

使用

re.sub(r'^<p>(.*)</p>$', r'1', d, flags=re.S)

请参阅正则表达式证明。

解释

--------------------------------------------------------------------------------
^                        the beginning of the string
--------------------------------------------------------------------------------
<p>                      '<p>'
--------------------------------------------------------------------------------
(                        group and capture to 1:
--------------------------------------------------------------------------------
.*                       any character except n (0 or more times
(matching the most amount possible))
--------------------------------------------------------------------------------
)                        end of 1
--------------------------------------------------------------------------------
</p>                     '</p>'
--------------------------------------------------------------------------------
$                        before an optional n, and the end of the
string