如何使用正则表达式从指定HTML字符串中提取时间信息

先说说你原来写的正则为啥不行：

• 你加的*是修饰<br/>里的/，意思是匹配0个或多个/，不是匹配<br/>和</td>之间的内容
• 没设置捕获组来提取你要的日期时间
• 完全没匹配中间的日期内容，自然抓不到目标

直接能用的解决方案 #

用下面的代码就能精准捕获你要的字符串：

import re

target_html = '<td>pending since<br/>Thu 15 Sep 2022 11:43:49 PM UTC </td>'
# 非贪婪匹配捕获中间内容，再用strip去前后空格
pattern = re.compile(r'<td>pending since<br/>(.*?)</td>')
match_result = pattern.search(target_html)
if match_result:
    datetime_content = match_result.group(1).strip()
    print(datetime_content)  # 输出就是你要的 Thu 15 Sep 2022 11:43:49 PM UTC

正则细节说明 #

• (.*?)：这是个非贪婪捕获组，专门抓<br/>到</td>之间的所有内容，加?是防止它过度匹配（比如如果有多个</td>的话不会抓到后面的）
• strip()：因为原字符串里日期后面跟了个空格才到</td>，用这个方法可以把多余的空格去掉

如果想更严谨，避免误抓其他不符合格式的内容，可以用更精准的正则，专门匹配这个日期时间格式：

pattern = re.compile(r'<td>pending since<br/>(\w{3} \d{2} \w{3} \d{4} \d{2}:\d{2}:\d{2} [AP]M UTC)</td>')

这个正则严格对应“星期 日 月 年 时分秒 上/下午 UTC”的格式，只有完全符合的内容才会被捕获。

内容的提问来源于stack exchange，提问作者bezzoon