Skip to main content

Headers uit de HTML halen

Neem de code van het volgende voorbeeld over.

import re

string = "De kat in de hoed wist dat de vleermuis daar was."
pattern = "de"

matches = re.findall(pattern, string, flags=re.I)  # De vlag re.I maakt de zoekopdracht case-insensitive

print(matches)

De output zijn alle delen van de tekst die de regex matchen. Probeer maar!

Stel je hebt een web pagina.webpagina. Dus de string is een webpagina, bijvoorbeeld als volgt:

string="<!DOCTYPE html><html><head><title>Mijn webpagina</title></head><body><h1>Mijn eerste kop</h1><p>Dit is een paragraaf.</p><h1>Mijn tweede kop</h1"h1><p>Dit is nog een paragraaf.</p></body></html>"

xxZet deze string nu in de code en vervang daarmee regel 3 (de regel van "De kat....").

Pas nu de reguliere expressie zodat alle <h1> stukken uit de tekst worden gehaald.

Opdracht

Lees de tekst hierboven!

Pas de voorbeeldcode aan.

Aanpassing 1

Zet op regel 3 de html-code zoals hierboven is gegeven.

Aanpassing 2

Verander de reguliere expressie (regex) zodat je alle h1 elementen uit de HTML-code laat afdrukken.

Inleveren

  1. Aangepaste code
  2. Een screendump waarin je laat zien dat je code werkt.
    Let op, in de screendump moet je ook de datum en tijd van Windows zichtbaar maken!
Back to top