help module re

**UN|X`** · 20/06/2007, 18h19

j'ai une chaine "<html>hello</html></a>world<body>ok"

et je veu recuperer le texte qui ya dedan en utilisant une regex , ce qui doit me renvoyer helloworldok sans les tags html

j'ai fai un essaye , je suis proche mais aussi loin de la solution !!!!

voila mon code

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
>>> from re import findall
>>> chaine = """<html>hello</html></a>world<body>ok"""
>>> print findall('[a-z].*?[^\<\>][a-z]',chaine)
['htm', 'l>he', 'llo', 'htm', 'l></a', 'wor', 'ld<bo', 'dy>ok']
>>>

ce serai quoi la bonne regex ? a votre avis ?

Merci

**oiffrig** · 20/06/2007, 19h22

Tu te compliques la vie
Qu'est-ce qu'est une balise HTML ? Un caractère <, puis n'importe quoi jusqu'au > le plus proche.
En terme de regex : <.+?> avec le mode S
Traduction Python :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
import re
chaine = "..."
regex = re.compile('<.+?>', re.S)
chaine_sans_html = regex.sub('', chaine)

**UN|X`** · 20/06/2007, 20h33

oui je sais , j'avai cette solution d'extraire les tags html puis par la suite les remplacer par le vide , mais ce que je cherche c'est l'expression qui va me faire ca directement , (c'est purement educatif)

merci dejas , mais je veu l'expression

Invité · 21/06/2007, 10h46

Envoyé par UN|X`

oui je sais , j'avai cette solution d'extraire les tags html puis par la suite les remplacer par le vide , mais ce que je cherche c'est l'expression qui va me faire ca directement , (c'est purement educatif)

merci dejas , mais je veu l'expression

Ouais certes... Mais en fait je pense que c'est tendu, genre quand tu vas avoir des balises imbriquées et tout... Enfin déjà en l'occurence c'est pas évident, pourtant j'ai fait des regexp tout l'aprem hier

Je pensais a un truc comme ça mais a priori ça le fait pas :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

motif = "(<.*?>(.*?)<.*?>)*"

**GnuVince** · 21/06/2007, 18h42

Quand vient le temps d'extraire des données d'un fichier X/HTML, utilise la librairie BeautifulSoup.

**Matthieu Brucher** · 22/06/2007, 18h50

Ou expat, en standard dans Python.

**pacificator** · 22/06/2007, 21h50

L'avantage de BeautifulSoup est qu'il peut parser des fichiers mal formés (balise oubliée, imbriquation incorrecte, etc...), ce est très souvent le cas !

help module re

Python

Discussions similaires

Partager

Partager