1

Estaba intentando extraer la información de un código de html, en concreto lo que me interesa es centrarme en el contenido de esta etiqueta de html:

<h2> <a href="https://www.xataka.com/robotica-e-ia/deepfakes-tendremos-problema-verdad-videos-serviran-como-pruebas" class="l:3035280" > Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas </a>  </h2>

Lo que quiero es quedarme con la información que está entre la etiqueta h2, ya que después pensaba filtrar lo que realmente me interesa que es la frase "Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas" que pensaba hacer con un re.search.

He intentado coger [\s\w]+<\/h2> pensando en quedarme con todas las letras y espacios a los que les preceda la etiqueta </h2> pero no logro conseguir el resultado que deseo.

Si alguien pudiera ayudarme se lo agradecería.

Muchas gracias

1

3 respuestas 3

3

Aunque la pregunta llevaba el tag regexp, también llevaba el tag python, por lo que voy a dar otra solución que no usa expresiones regulares (Pues considero que la respuesta de Julio ya cubre perfectamente ese caso).

En general, parsear HTML mediante expresiones regulares es algo complejo, y da lugar a un código frágil, difícil de leer y de mantener.

Es preferible usar herramientas específicamente diseñadas para parsear HTML y acceder al "DOM" (modelo de documento) resultante, como por ejemplo lxml y xpath. Por desgracia esta utilidad no viene preinstalada con Python, por lo que tendrás que instalarla con pip install (preferiblemente dentro de un entorno virtual). Una vez instalada podrás usarla por ejemplo en la forma siguiente:

import lxml.html

html="""
<h2> <a href="https://www.xataka.com/robotica-e-ia/deepfakes-tendremos-problema-verdad-videos-serviran-como-pruebas" class="l:3035280" > Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas </a>  </h2>
<p> Este texto está fuera del h2 </p>
<h2> <b><u> Con los Deepfakes... </u></b> </h2>
"""

dom =lxml.html.fromstring(html)
for h2 in dom.xpath("//h2"):
  print("Contenido:", h2.text_content().strip())

Y obtendrías:

Contenido: Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas
Contenido: Con los Deepfakes...

La expresión "//h2" que le he pasado a Xpath significa "cualquier elemento de tipo h2 que aparezca en el documento, sin importar el nivel de anidamiento en que aparezca". Esa expresión selecciona todos los elementos h2 del documento, con todo lo que contengan. El método text_content() extrae lo que es el puro texto sin marcar dentro de esos elementos.

Otra biblioteca que se usa a menudo para parsear html es Beautifulsoup que tiene una sintaxis quizás más amigable (pero a diferencia de XPath no es un estándar). Con esta biblioteca se haría así:

from bs4 import BeautifulSoup

soup = BeautifulSoup(html)
for h2 in soup.find_all("h2"):
  print("Contenido:", h2.get_text().strip())
2

Prueba con lo siguiente: <h2>(?:\s*<[^>]+>)*\s*(.*?)\s*(?:<\/[^>]+>\s*)*<\/h2> Debería funcionar con cualquier etiqueta o etiquetas que haya dentro de <h2>

Como:

  • <h2><a href="..."> Foo Bar </a></h2>
  • <h2><u><b><i> Foo Bar </i></b></u></h2>
  • Etcétera

En el grupo de captura 1 tendrás el texto sin etiquetas.

Ver ejemplo/demo: https://regex101.com/r/4A0kc4/2/

0

Si estás interesado en el texto "Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas", lo que en realidad necesitas es la información de la etiqueta <a> (no de <h2>).

Y lo puedes realizar de la siguiente forma:

texto = "<h2> <a href=\"https://www.xataka.com/robotica-e-ia/deepfakes-tendremos-problema-verdad-videos-serviran-como-pruebas\" class=\"l:3035280\" > Con los deepfakes tendremos un problema con la verdad: ni los vídeos servirán como pruebas </a>  </h2>"

import re
reg = '\<a.*\>(.*)\<\/a\>'
m = re.search(reg, texto)

print(m.group(1))

Aquí está el enlace por si deseas realizar más pruebas con ese Regex: https://regex101.com/r/y4yd59/1

1
  • Creo que no se acaba de ajustar a lo que pide la pregunta porque estás buscando dentro de cualquier etiqueta <a>, y eso podría buscar cosas que no interesen a OP. OP pedía buscar en <h2>, así que se debería buscar dentro de <a> dentro de <h2>
    – Julio
    Commented el 4 nov. 2018 a las 0:46

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.