Python正则表达式实战：去除HTML标签、提取域名与单词的三道面试题解析

方予

发布时间：2026-10-13| 6人浏览过

原创

本文通过三道Python正则表达式面试题，详细演示了如何使用re模块处理常见文本清洗任务。内容涵盖利用sub方法去除HTML标签、从URL中提取域名，以及通过split或findall方法提取字符串中的单词。每道题均提供完整代码示例与运行结果，帮助开发者掌握正则表达式在数据预处理中的实际应用技巧。

本文整理了三道关于Python正则表达式的经典面试题，具体内容如下。

第一题要求处理一段HTML代码，目标是去除所有HTML标签，仅保留纯文本信息。

<div>
<p>岗位职责：</p>
<p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p>
<p><br></p>
<p>必备要求：</p>
<p>良好的自我驱动力和职业素养，工作积极主动、结果导向</p>
<p>&nbsp;<br></p>
<p>技术要求：</p>
<p>1、一年以上 Python 开发经验，掌握面向对象分析和设计，了解设计模式</p>
<p>2、掌握HTTP协议，熟悉MVC、MVVM等概念以及相关WEB开发框架</p>
<p>3、掌握关系数据库开发设计，掌握 SQL，熟练使用 MySQL/PostgreSQL 中的一种<br></p>
<p>4、掌握NoSQL、MQ，熟练使用对应技术解决方案</p>
<p>5、熟悉 Javascript/CSS/HTML5，JQuery、React、Vue.js</p>
<p>&nbsp;<br></p>
<p>加分项：</p>
<p>大数据，数理统计，机器学习，sklearn，高性能，大并发。</p>
</div>

解决方案是使用Python标准库re模块中的sub方法，通过正则匹配将标签替换为空字符串或直接替换为空格，具体实现代码如下。

#-*- coding:utf-8 -*-
import re

#去除标签

s = "<div>\
<p>岗位职责：</p>\
<p>完成推荐算法、数据统计、接口、后台等服务器端相关工作</p>\
<p><br></p>\
<p>必备要求：</p>\
<p>良好的自我驱动力和职业素养，工作积极主动、结果导向</p>\
<p>&nbsp;<br></p>\
<p>技术要求：</p>\
<p>1、一年以上 Python 开发经验，掌握面向对象分析和设计，了解设计模式</p>\
<p>2、掌握HTTP协议，熟悉MVC、MVVM等概念以及相关WEB开发框架</p>\
<p>3、掌握关系数据库开发设计，掌握 SQL，熟练使用 MySQL/PostgreSQL 中的一种<br></p>\
<p>4、掌握NoSQL、MQ，熟练使用对应技术解决方案</p>\
<p>5、熟悉 Javascript/CSS/HTML5，JQuery、React、Vue.js</p>\
<p>&nbsp;<br></p>\
<p>加分项：</p>\
<p>大数据，数理统计，机器学习，sklearn，高性能，大并发。</p>\
</div> "

p = r"</?\w+>|&nbsp;"
print(re.sub(p, " ", s))

第二题的目标是从给定的多个URL中提取出域名部分。

待处理的URL列表如下： http://www.interoem.com/messageinfo.asp?id=35` http://3995503.com/class/class09/news_show.asp?id=14 http://lib.wzmc.edu.cn/news/onews.asp?id=769 http://www.zy-ls.com/alfx.asp?newsid=377&id=6 http://www.fincm.com/newslist.asp?id=415

同样利用sub方法，通过正则表达式匹配整个URL字符串，并将其替换为仅包含域名的部分。具体代码如下。

#-*- coding:utf-8 -*-
import re

#提取出域名
s2 = """http://www.interoem.com/messageinfo.asp?id=35`
http://3995503.com/class/class09/news_show.asp?id=14
http://lib.wzmc.edu.cn/news/onews.asp?id=769
http://www.zy-ls.com/alfx.asp?newsid=377&id=6
http://www.fincm.com/newslist.asp?id=415"""

p = r"(http://.+?/).+"

print(re.sub(p, lambda x : x.group(1), s2))

第三题要求从一段包含空格的字符串中提取出所有的单词。

hello world ha ha

可以通过split方法按空格分割字符串，或者使用findall方法查找所有符合单词模式的子串。具体代码如下。

#-*- coding:utf-8 -*-
import re

#提取出单词
s3 = "hello world ha ha"
print(re.split(r" +", s3))
print(re.findall(r"\b\w+\b", s3))

上述三道题目的程序运行结果如下所示。

第一题的输出结果：

岗位职责：完成推荐算法、数据统计、接口、后台等服务器端相关工作必备要求：良好的自我驱动力和职业素养，工作积极主动、结果导向技术要求： 1、一年以上 Python 开发经验，掌握面向对象分析和设计，了解设计模式 2、掌握HTTP协议，熟悉MVC、MVVM等概念以及相关WEB开发框架 3、掌握关系数据库开发设计，掌握 SQL，熟练使用 MySQL/PostgreSQL 中的一种 4、掌握NoSQL、MQ，熟练使用对应技术解决方案 5、熟悉 Javascript/CSS/HTML5，JQuery、React、Vue.js 加分项：大数据，数理统计，机器学习，sklearn，高性能，大并发。

第二题的输出结果：

http://www.interoem.com/ http://3995503.com/ http://lib.wzmc.edu.cn/ http://www.zy-ls.com/ http://www.fincm.com/

第三题的输出结果：

['hello', 'world', 'ha', 'ha'] ['hello', 'world', 'ha', 'ha']

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。