Como dice el titulo quiero extraer el texto que hay entre dos palabras. Para ello se me ocurrio crear un sistema con el comando sed que me permitiese sustituir lo que buscaba para luego con greep y cut extraerlo. Pero el resultado a sido en todos los casos un fracaso absoluto, os pongo un poco en situación.
Tengo este texto con muchisimo codigo por encima y por debajo:
<div class="item">
<div class="imagens">
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2016</span>
</div>
<div class="item">
<div class="imagens">
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2015</span>
</div>
EJ:
Parametrizo estos dos textos "<div class="item"><div class="imagens">
" y este "</div>
" de tal manera que quedase un texto como este:
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2016</span>
EDITO
La respuesta de @Ivan Botero creo que es la mas cercana a la solución del problema que tengo, pero sigo con el problema de que no consigo seleccionar el segundo </div>
que tiene.
Y las etiquetas que no deben de salir son:
<div class="item">
<div class="imagens">
y el segundo:
</div>
Debido a que el primero esta en medio del codigo, justo detras de la etiqueta de cerrar span. Alguna ayuda por favor?
sed
y expresiones regulares (si reabren la pregunta pongo una respuesta) sin embargo el requerimiento exacto que pides está un poco difícil pues hay varios cadenas de texto iguales</div>
(linea for linea in fichero if not linea.startswith(inicio))
, por otro lado, rectifica el encoding que en python 2.7 es asi en la primera linea:# -*- coding: utf-8 -*-