如何用Python提取网页抓取结果中特定子串间的目标字符串？

核心思路 #

利用正则表达式匹配固定格式的目标元素，直接提取<p>数字.内容</p>中的核心内容，这种方式比split或切片更稳定，能适配重复数百次的模式。

代码实现 #

基础版本 #

import re

# 模拟抓取到的原始数据列表
raw_data = [
    '<p>xxx<p>', '<p>1.apple</p>', '<p>aaa</p>', '<p>xxxxx</p>',
    '<p>xxxxx</p>', '<p>2.orange</p>', '<p>aaa</p>', '<p>xxxxx</p>',
    '<p>3.banana</p>', '<p>aaa</p>', '<p>xxxxx</p>'
]

# 定义正则规则：匹配<p>数字.内容</p>的结构，捕获中间的目标内容
match_pattern = re.compile(r'<p>\d+\.(.*)</p>')

# 遍历提取目标内容
target_content = []
for item in raw_data:
    match_result = match_pattern.search(item)
    if match_result:
        target_content.append(match_result.group(1))

# 输出期望的有序列表格式
for idx, content in enumerate(target_content, start=1):
    print(f"<li><p>{content}</p></li>")

简化版本（列表推导式） #

import re

raw_data = [
    '<p>xxx<p>', '<p>1.apple</p>', '<p>aaa</p>', '<p>xxxxx</p>',
    '<p>xxxxx</p>', '<p>2.orange</p>', '<p>aaa</p>', '<p>xxxxx</p>',
    '<p>3.banana</p>', '<p>aaa</p>', '<p>xxxxx</p>'
]

match_pattern = re.compile(r'<p>\d+\.(.*)</p>')
target_content = [match.group(1) for item in raw_data if (match := match_pattern.search(item))]

# 生成目标格式输出
for idx, content in enumerate(target_content, start=1):
    print(f"{idx}. <p>{content}</p>")

正则规则说明 #

• <p>\d+：匹配开头的<p>标签和一个或多个数字
• \.：匹配点号（正则中点号是特殊字符，需转义）
• (.*)：捕获任意长度的目标内容（即我们需要的apple、orange等）
• </p>：匹配结尾的</p>标签

内容的提问来源于stack exchange，提问作者poon cl