Regex - Linktext

[Timbo]

Hallo,

ich muss aus einem String, der mehrere Links enthält, den Linktext extrahieren:

Code: Alles auswählen

'<div id="links"><a href="/abc/def">ABC</a>&#160;|&#160;<a href="/ghi/jkl">JKL</a>&#160;|&#160;<a href="/ghi/jgk/index.php?id=12">JKL blah</a></div>'

Ich habe u.a. mit folgendem Code versucht, den Linktext der Strings auszufiltern:

>>> r = re.compile("""<a href=".*">(?P<linktext>.*)</a>""")
>>> r.findall(string)
['JKL blah']

Damit erhalte ich zwar einen Linktext, allerdings nur den des letzten Links. Das Problem scheint wohl mit dem ersten .* zusammenzuhängen.

Könnte mir jemand sagen, wie ich auch die anderen beiden erhalte?

Gruß
Tim

[Barabbas]

Das liegt daran, dass * greedy sucht. Mit *? geht es:

Code: Alles auswählen

re.compile(r'<a href=".*?">(.*?)</a>').findall(txt)

Schönen Gruß,

brb

[Timbo]

Super, dankeschön!
"(non)greedy" kannte ich noch nicht.

Gruß
Tim

[Hyperion]

Natürlich darf hier der Standard Hinweis nicht fehlen, dass man HTML nicht mit RegExps parsen sollte, sondern mit einem HTML-Parsern (lxml, html5lib, ...).