pythonでHTMLのタグを正規表現で削除

Question

pythonにて、
htmlのタグを正規表現を使って削除しようと考えています。

その際に書きコードを使用して可能かと思います。

import re
p = re.compile(r"<[^>]*?>")
tag_str = "<div>hogefugafuga</p></div>"
p.sub("", tag_str)  # Return hogefugafuga

ここで使われている正規表現「<[^>]*?>」が理解できません。
どのようにして<div>を認識しているのでしょうか。
教えていただければと思います。

Answer 1

正規表現を図示できるサイトがあります。

Debuggex

---

実際ややこしいのは [^>]*? の部分だけで、これは次のように読みます。

• >以外の任意の文字を ([^>])
• 0回以上、できるだけ短くマッチ (*?)

*?や+?は最短マッチだとか最左最短マッチだとか非貪欲マッチだとか呼ばれるものです。
Pythonのドキュメントには次のようにあります。

#####*?, +?, ??

'' 、 '+' 、 '?' といった修飾子は、すべて 貪欲 (greedy) マッチ、すなわちできるだけ多くのテキストにマッチするようになっています。時にはこの動作が望ましくない場合もあります。例えば正規表現 <.> を '<a> b <c>' にマッチさせると、 '<a>' だけにマッチするのではなく全文字列にマッチしてしまいます。 ? を修飾子の後に追加すると、 非貪欲 (non-greedy) あるいは 最小一致 (minimal) のマッチになり、できるだけ 少ない 文字数のマッチになります。例えば正規表現 <.*?> を使うと '<a>' だけにマッチします。

引用元： Python 標準ライブラリ » re — 正規表現操作

同じような例が挙げられていますね。

Comments

[satopooooon]

早速の回答ありがとうございます。
タグの頭とお尻にそれぞれ「<」と「>」が存在するので、
最短マッチを使用しなければなんですね。
すっきりしました。