如何使用regex从html youtube页面中获取匹配组之间的文本

Question

我用尖叫的青蛙刮youtube视频关键词。我知道这个软件会显示一个选项卡，准确地捕捉到这个元信息，但它只显示了160个字符，所以具有更大数量关键字的视频不会在其中显示。

无论如何，我也尝试通过软件上的自定义提取特性使用CSS选择器和Xpath，但是没有得到任何东西。

我最后能想到的是使用自定义提取中的正则表达式来直接从html页面捕获和提取关键字。

这是出现关键字的部分：

    <meta property="og:video:tag" content="lanshow">
    <meta property="og:video:tag" content="lanshow ep04">
    <meta property="og:video:tag" content="lanshow episodio 4">
    <meta property="og:video:tag" content="lanshow 4">
    <meta property="og:video:tag" content="directo unboxme">
    <meta property="og:video:tag" content="directo tecnologia">
    <meta property="og:video:tag" content="directo hardware">
    <meta property="og:video:tag" content="directo preguntas y respuestas">
    <meta property="og:video:tag" content="preguntas y respuestas unboxme">

它们也出现在一个又一个的下面，如下所示：

关键词：“ ep04，lanshow episodio 4，lanshow 4，directo unboxme，directo tecnologia，directo WEB，directo preguntas y respuestas unboxme"，”c“：”“

是否有一种方法只捕获关键字，使用regex，捕获组或类似的东西？

我尝试过不同的regex组合，但是我得到了整个文本，甚至整个html的剩余文本都出现在提取中。

这只会测试第一个关键字：video:tag"content=.*?>

我还尝试了另一个regex，它在第一个关键字之后提取整个html文本。我需要找到一种方法，告诉提取器查找前后分隔符，并在提取时忽略它们，以便只得到之间的内容(实际关键字)。

这是前面的分隔符：

这是后面的分隔符：">

有办法吗？

谢谢。

Answer 1

XPath表达式//meta[@property='og:video:tag']/attribute::content应该会为您提供所有相关信息。

这里是Python片段，因为我不熟悉尖叫的青蛙：

import requests
import lxml.html 
doc = lxml.html.parse('yt.html')
meta_tags = doc.xpath("//meta[@property='og:video:tag']/attribute::content")
for content in meta_tags:
    print content

或者(用regex is bad解析HTML并可能导致不必要的结果)：我能想到的最简单的正则表达式匹配HTML标记。在您选择的编程语言或工具中，特殊字符和标志等细节可能有所不同，但这在许多情况下都适用：

<meta property="og:video:tag" content="(.+?)">

在Python脚本中：

import re
import requests

match_metas = re.compile('<meta property="og:video:tag" content="(.+?)">')
result = requests.get('https://www.youtube.com/watch?v=HHMdrAhVbLo')

print match_metas.findall(result.content)

结果：

['unboxing en directo', 'unboxing mionix color', 'rx 580', 'talk show', 'lanshow', 'lanshow ep04', 'lanshow episodio 4', 'lanshow 4', 'directo unboxme', 'directo tecnologia', 'directo hardware', 'directo preguntas y respuestas', 'preguntas y respuestas unboxme']