Extraire une partie d'une correspondance regex

Question

Je veux une expression régulière pour extraire le titre d'une page HTML. Actuellement, j'ai ceci :

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

Existe-t-il une expression régulière pour extraire uniquement le contenu de <title> afin que je n'aie pas à supprimer les balises ?

Answer 1

Utilisez ( ) dans regexp et group(1) dans python pour récupérer la chaîne capturée (re.search renverra None s'il ne trouve pas le résultat, alors n'utilisez pas group() directement) :

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

if title_search:
    title = title_search.group(1)

Answer 2

Notez qu'Python 3.8, et de l'introduction d'expressions d'affectation (PEP 572) (opérateur:=), il est possible d'améliorer un peu la solution de Krzysztof Krason en capturant le résultat de correspondance directement dans la condition if en tant que variable et en le réutilisant dans le corps de la condition :

# pattern = '<title>(.*)</title>'
# text = '<title>hello</title>'
if match := re.search(pattern, text, re.IGNORECASE):
  title = match.group(1)
# hello

Answer 3

Essayez d'utiliser les groupes de capture :

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

Answer 4

Veuillez NE PAS utiliser regex pour analyser les langages de balisage. Utilisez lxml ou beautifulsoup.

Answer 5

Puis-je vous recommander à Beautiful Soup. Soup est une très bonne lib pour analyser tout votre document html.

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