help module re

Version imprimable

help module re

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:

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

20/06/2007, 19h22
oiffrig
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:

1 2 3 4 import re chaine = "..." regex = re.compile('<.+?>', re.S) chaine_sans_html = regex.sub('', chaine)
20/06/2007, 20h33
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 :(
21/06/2007, 10h46
Invité

Citation:

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:

motif = "(<.*?>(.*?)<.*?>)*"
21/06/2007, 18h42
GnuVince

Quand vient le temps d'extraire des données d'un fichier X/HTML, utilise la librairie BeautifulSoup.
22/06/2007, 18h50
Matthieu Brucher

Ou expat, en standard dans Python.
22/06/2007, 21h50
pacificator

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