提取正则expression式匹配的一部分

我想要一个正则expression式从HTML页面中提取标题。目前我有这个：

title = re.search('<title>.*</title>', html, re.IGNORECASE).group() if title: title = title.replace('<title>', '').replace('</title>', '')

是否有一个正则expression式只提取内容，所以我不必删除标签？

谢谢！

用正则expression式中的( )和python中的group(1)来检索捕获的string（如果没有find结果， re.search将返回None ，所以不要直接使用group() ）：

 title_search = re.search('<title>(.*)</title>', html, re.IGNORECASE) if title_search: title = title_search.group(1)

请不要使用正则expression式来parsing标记语言。 使用lxml或beautifulsoup。

尝试使用捕获组：

 title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

尝试：

 title = re.search('<title>(.*)</title>', html, re.IGNORECASE).group(1)

re.search('<title>(.*)</title>', s, re.IGNORECASE).group(1)

使用正则expression式来parsingHTML通常不是一个好主意。 你可以使用像美丽的汤任何HTML分析器。看看http://www.crummy.com/software/BeautifulSoup/documentation.html

还要记住， 有些人遇到问题时，会想：“我知道，我会用正则expression式”。 现在他们有两个问题。

提供的代码段不能应付Exceptions我可以build议

 getattr(re.search(r"<title>(.*)</title>", s, re.IGNORECASE), 'groups', lambda:[u""])()[0]

如果没有find模式，或者第一个匹配，默认返回一个空string。

我可以向你推荐美丽的汤。汤是一个非常好的lib来parsing所有的html文档。

 soup = BeatifulSoup(html_doc) titleName = soup.title.name

我认为这应该足够了：

 #!python import re pattern = re.compile(r'<title>([^<]*)</title>', re.MULTILINE|re.IGNORECASE) pattern.search(text)

假设你的文本（HTML）是在一个名为“text”的variables中。

这也假设没有其他HTML标签可以合法地embedded到HTML TITLE标签中，也没有办法在这样的容器/块中合法地embedded任何其他的<字符。

不过 …

不要在Python中使用正则expression式进行HTMLparsing。使用HTMLparsing器！（除非你要编写一个完整的parsing器，当各种HTML，SGML和XMLparsing器已经在标准库中时，这将是一个额外的工作。

如果您处理“真实世界” 标签汤 HTML（这是经常不符合任何SGML / XMLvalidation程序），然后使用BeautifulSoup包。它不在标准库（尚）中，但为此目的被广泛推荐。

另一种select是： lxml …这是为正确的结构（符合标准的）HTML编写的。但是它有一个选项可以使用BeautifulSoup作为parsing器： ElementSoup 。