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())