Recherche de texte d'ancrage quand il y a des balises, il

Question

Je veux trouver le texte entre une paire de <une> balises qui pointent vers un site donné

Voici la chaîne re que j'utilise pour trouver le contenu:

r'''(<a([^<>]*)href=("|')(http://)?(www\.)?%s([^'"]*)("|')([^<>]*)>([^<]*))</a>''' % our_url 

Le résultat sera quelque chose comme ceci:

r'''(<a([^<>]*)href=("|')(http://)?(www\.)?stackoverflow.com([^'"]*)("|')([^<>]*)>([^<]*))</a>''' 

C'est idéal pour la plupart des liens, mais il des erreurs avec un lien avec des étiquettes en son sein. J'ai essayé de changer la dernière partie de l'expression régulière de:

([^<]*))</a>''' 

à:

(.*))</a>''' 

Mais que juste obtenu tout sur la page après le lien, que je ne veux pas. Y a-t-il des suggestions sur ce que je peux faire pour résoudre ce problème?

Answer 1

Au lieu de:

[^<>]* 

Essayez:

((?!</a).)* 

En d'autres termes, correspond à tout caractère qui n'est pas le début de une séquence </a.

Answer 2

Je n'utiliserais pas une regex - utilisez un analyseur HTML comme Beautiful Soup.

Answer 3

Faites une recherche non gourmande à savoir

(.*?) 

Answer 4

>>> import re 
>>> pattern = re.compile(r'<a.+href=[\'|\"](.+)[\'|\"].*?>(.+)</a>', re.IGNORECASE) 
>>> link = '<a href="http://stackoverflow.com/questions/603199/finding-anchor-text-when-there-are-tags-there">Finding anchor text when there are tags there</a>' 
>>> re.match(pattern, link).group(1) 
'http://stackoverflow.com/questions/603199/finding-anchor-text-when-there-are-tags-there' 
>>> re.match(pattern, link).group(2) 
'Finding anchor text when there are tags there'