Python 正则表达式后视需要固定宽度的模式

Question

在尝试提取 html 页面的标题时，我总是使用以下正则表达式:

(?<=<title.*>)([\s\S]*)(?=</title>)

这将提取文档中标签之间的所有内容并忽略标签本身。但是，当尝试在 Python 中使用此正则表达式时，它会引发以下异常:

Traceback (most recent call last):  
File "test.py", line 21, in <module>
    pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
File "C:\Python31\lib\re.py", line 205, in compile
    return _compile(pattern, flags)   
File "C:\Python31\lib\re.py", line 273, in _compile
    p = sre_compile.compile(pattern, flags)   File
"C:\Python31\lib\sre_compile.py", line 495, in compile
    code = _code(p, flags)   File "C:\Python31\lib\sre_compile.py", line 480, in _code
_compile(code, p.data, flags)   File "C:\Python31\lib\sre_compile.py", line 115, in _compile
    raise error("look-behind requires fixed-width pattern")
sre_constants.error: look-behind requires fixed-width pattern

我使用的代码是:

pattern = re.compile('(?<=<title.*>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

如果我做一些最小的调整，它就会起作用:

pattern = re.compile('(?<=<title>)([\s\S]*)(?=</title>)')
m = pattern.search(f)

但是，这不会考虑由于某种原因具有属性或类似属性的潜在 html 标题。

有人知道解决此问题的好方法吗？任何提示表示赞赏。

Answer 1

放弃使用正则表达式解析 HTML 的想法，改用实际的 HTML 解析库。快速搜索后，我找到了 this one .这是一种从 HTML 文件中提取信息的更安全的方法。

请记住，HTML 不是一种常规语言，因此从根本上说，正则表达式是从中提取信息的错误工具。