用于提取HTML标签之间的字符串的Python程序

HTML 标记用于设计网站的骨架。我们以标签内包含的字符串的形式传递信息和上传内容。HTML 标记之间的字符串决定了浏览器将如何显示和解释元素。因此，这些字符串的提取在数据操作和处理中起着至关重要的作用。我们可以分析和理解HTML文档的结构。

这些字符串揭示了网页构建背后的隐藏模式和逻辑。在本文中，我们将处理这些字符串。我们的任务是提取 HTML 标记之间的字符串。

了解问题

我们必须提取 HTML 标签之间的所有字符串。我们的目标字符串包含在不同类型的标签中，只应检索内容部分。让我们借助一个例子来理解这一点。

输入输出方案

让我们考虑一个字符串 -

Input: Inp_STR = "<h1>This is a test string,</h1><p>Let's code together</p>"

输入字符串由不同的 HTML 标签组成，我们必须提取它们之间的字符串。

Output: [" This is a test string,  Let's code together "]

如我们所见，“<h1>”和“<p>”标签被删除并提取字符串。现在我们已经了解了问题，让我们讨论一些解决方案。

使用迭代和替换（）

此方法侧重于消除和替换 HTML 标记。我们将传递一个字符串和一个不同 HTML 标签的列表。在此之后，我们将初始化此字符串作为列表的元素。

我们将遍历标签列表中的每个元素，并检查它是否存在于原始字符串中。我们将传递一个“pos”变量，该变量将存储索引值并驱动迭代过程。

我们将使用 “replace（）” 方法将每个标签替换为空白区域，并检索一个 HTML 标签自由字符串。

例

下面是一个在 HTML 标记之间提取字符串的示例 -

Inp_STR = "<h1>This is a test string,</h1><p>Let's code together</p>" tags = ["<h1>", "</h1>", "<p>", "</p>", "<b>", "</b>", "<br>"] print(f"This is the original string: {Inp_STR}") ExStr = [Inp_STR] pos = 0 for tag in tags:    if tag in ExStr[pos]:       ExStr[pos] = ExStr[pos].replace(tag, " ") pos += 1 print(f"The extracted string is : {ExStr}")

输出

This is the original string: <h1>This is a test string,</h1><p>Let's code together</p> The extracted string is : [" This is a test string,  Let's code together "]

使用 Regex Module + findall（）

在这种方法中，我们将使用正则表达式模块来匹配特定模式。我们将传递一个正则表达式：“<”+标签+“>（.*？）</“+标记+”>“，表示目标模式。此模式旨在捕获开始和结束标记。在这里，“tag”是一个变量，它借助迭代从标签列表中获取其值。

“findall（）” 函数用于查找原始字符串中模式的所有匹配项。我们将使用 “extend（）” 方法将所有 “matches” 添加到新列表中。通过这种方式，我们将提取包含在 HTML 标签中的字符串。

例

下面是一个示例 -

import re Inp_STR = "<h1>This is a test string,</h1><p>Let's code together</p>" tags = ["h1", "p", "b", "br"] print(f"This is the original string: {Inp_STR}") ExStr = [] for tag in tags:    seq = "<"+tag+">(.*?)</"+tag+">"    matches = re.findall(seq, Inp_STR)    ExStr.extend(matches) print(f"The extracted string is: {ExStr}")

输出

This is the original string: <h1>This is a test string,</h1><p>Let's code together</p> The extracted string is: ['This is a test string,', "Let's code together"]

使用 Iteration 和 find（）

在这种方法中，我们将借助 “find（）” 方法获得原始字符串中开始和结束标签的第一次出现。我们将遍历标签列表中的每个元素并检索其在字符串中的位置。

While 循环将用于继续搜索字符串中的 HTML 标记。我们将建立一个条件来检查字符串中是否存在不完整的标签。在每次迭代中，索引值都会更新，以查找开始标记和结束标记的下一个匹配项。

存储所有开始和结束标记的索引值，一旦映射了整个字符串，我们就使用字符串切片来提取 HTML 标记之间的字符串。

例

下面是一个示例 -

Inp_STR = "<h1>This is a test string,</h1><p>Let's code together</p>" tags = ["h1", "p", "b", "br"] ExStr = [] print(f"The original string is: {Inp_STR}") for tag in tags:    tagpos1 = Inp_STR.find("<"+tag+">")    while tagpos1 != -1:       tagpos2 = Inp_STR.find("</"+tag+">", tagpos1)       if tagpos2 == -1:          break       ExStr.append(Inp_STR[tagpos1 + len(tag)+2: tagpos2])       tagpos1 = Inp_STR.find("<"+tag+">", tagpos2) print(f"The extracted string is: {ExStr}")

输出

The original string is: <h1>This is a test string,</h1><p>Let's code together</p> The extracted string is: ['This is a test string,', "Let's code together"]

结论

在本文中，我们讨论了在 HTML 标记之间提取字符串的多种方法。我们从更简单的解决方案开始，用空格定位和替换标签。我们还使用 regex 模块及其 findall（） 函数来查找与模式的匹配项。我们了解了find（）方法的应用以及字符串切片。