面试题：Python正则表达式处理简单HTML标签

Question

给定一段简单的HTML代码如下：<p>这是一个段落</p> <a href='https://example.com'>链接</a>，请使用Python的正则表达式提取出所有标签内的文本内容，即 '这是一个段落' 和 '链接'。

Answer 1

import re

html = "<p>这是一个段落</p> <a href='https://example.com'>链接</a>"
pattern = re.compile(r'<.*?>(.*?)</.*?>')
results = pattern.findall(html)
print(results)

上述代码中：

1. 导入re模块，它是Python中用于处理正则表达式的标准库。
2. 定义了要处理的HTML字符串html。
3. 使用re.compile方法编译正则表达式，r'<.*?>(.*?)</.*?>'这个正则表达式的含义是：
   • <.*?>：匹配开始标签，.*?表示非贪婪匹配，尽可能少地匹配字符直到遇到>。
   • (.*?)：这部分是捕获组，用于提取开始标签和结束标签之间的文本，同样使用非贪婪匹配。
   • </.*?>：匹配结束标签。
4. 使用pattern.findall方法在html字符串中查找所有匹配项，并将结果存储在results列表中，最后打印出results。