正则表达式匹配关闭的 HTML 标记

Posted 2023-02-23

【中文标题】正则表达式匹配关闭的 HTML 标记

【英文标题】：Regular expression to match closing HTML tags

【发布时间】：2011-04-01 06:17:44

【问题描述】：

我正在编写一个小型 Python 脚本来清理 html 文档。它的工作原理是接受 KEEP 的标签列表，然后解析不在列表中的 HTML 代码垃圾标签但不是结束标签。

我一直在尝试匹配结束标签的模式是</(?!a)>。这对我来说似乎是合乎逻辑的，所以为什么不起作用？ (?!a) 应该匹配任何不是锚标记的东西（不是“a”可以是任何东西——这只是一个例子）。

编辑：AGG！我猜正则表达式没有显示！

【问题讨论】：

use HTML::Parser || die。 :)

【参考方案1】：

阅读：

RegEx match open tags except XHTML self-contained tags Can you provide some examples of why it is hard to parse XML and HTML with a regex?

悔改。

使用真正的 HTML 解析器，例如 BeautifulSoup。

【参考方案2】：

<TAG\b[^>]*>(.*?)</TAG> 

匹配特定 HTML 标记的开始和结束对。

<([A-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1>

将匹配任何 HTML 标记的开始和结束对。

见here。

【讨论】：

...除非有相同类型的嵌套标签，例如<div><div></div></div> - 那么，正则表达式会认为第一个 </div> 是第一个 <div> 的结束标记。正如其他作者指出的那样，您无法使用正则表达式解析 HTML 或任何类似语言。

感谢 pavanlimo，这个正则表达式

【参考方案3】：

Don't use regex to parse HTML。只会让你头疼。

改为使用 XML 解析器。试试BeautifulSoup 或lxml。

【讨论】：

我见过 BeautifulSoup，但我也是一个极简主义者，所以我更喜欢只使用 Python 附带的东西。我认为我的问题足以让我重新考虑它。谢谢！

如果您想要“包含电池”的解决方案，请查看标准库中的 HTMLParser。

【参考方案4】：

您也可以考虑使用 python 内置的 html 解析器（Python 2 和 Python 3 的文档）

这将帮助您找到您想要处理的 HTML 文档的特定区域 - 并在其上使用正则表达式。