如何用Python提取HTML页面中<h3>与</h3>标签间的文本？

标签内文本的方法 #

方法一：使用BeautifulSoup（推荐） #

对于HTML解析，专用解析库比正则表达式更可靠，能处理复杂的HTML结构。

1. 先安装依赖：

pip install beautifulsoup4

2. 编写代码：

from bs4 import BeautifulSoup

html_content = """
<h3 id="basics">1. Creating a Web Page</h3>
<p>
Once you've made your "home page" (index.html) you can add more pages to
your site, and your home page can link to them.
<h3 id="syntax">>2. HTML Syntax</h3>
"""

# 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')
# 提取所有<h3>标签的文本，strip=True去除首尾空白
h3_texts = [h3.get_text(strip=True) for h3 in soup.find_all('h3')]

print(h3_texts)
# 输出结果: ['1. Creating a Web Page', '>2. HTML Syntax']

方法二：使用正则表达式（适合简单场景） #

如果HTML结构简单且固定，可以用正则快速匹配，但不推荐用于复杂HTML（比如标签嵌套、属性多变的情况）。

代码示例：

import re

html_content = """
<h3 id="basics">1. Creating a Web Page</h3>
<p>
Once you've made your "home page" (index.html) you can add more pages to
your site, and your home page can link to them.
<h3 id="syntax">>2. HTML Syntax</h3>
"""

# 正则模式：匹配带任意属性的<h3>标签，提取中间文本
pattern = r'<h3.*?>(.*?)</h3>'
# re.DOTALL让.匹配换行符，处理标签内文本换行的情况
matches = re.findall(pattern, html_content, re.DOTALL)
# 清理结果中的首尾空白
h3_texts = [text.strip() for text in matches]

print(h3_texts)
# 输出结果: ['1. Creating a Web Page', '>2. HTML Syntax']

两种方法对比 #

• BeautifulSoup：容错性强，能处理不规范的HTML，支持复杂结构解析，是HTML处理的首选方案。
• 正则表达式：代码更简洁，但对HTML结构变化的适应性差，若遇到标签嵌套、属性格式变化等情况容易匹配失败。

内容的提问来源于stack exchange，提问作者Xazratxon Sultonxonov