用正则表达式捕获嵌套标签？

Question

s = '''<p>Plain text, <i>italicized phrase,
 <i>italicized subphrase</i>, <b>bold
 subphrase</b></i>, <i>other italic
 phrase</i></p>'''

r1 = r'''(?sx)(
<i>(
(?!</?i>).
|
<i> ( (?!</?i>). )* </i>
)*</i>
)'''

我使用 r1 模式来捕获字符串 s 中的<i>...</i>。 但是无法捕获<i>italicized subphrase</i>。 为什么？

我并不是真的在处理 HTML 代码，而是与 HTML 的嵌套结构类似的东西！我只是以这些代码为例。 我的问题是如何仅在一层嵌套结构中捕获嵌套和嵌套标签。

Answer 1

您正在使用正则表达式，并且将 XML 与此类表达式匹配得到 too complicated, too fast。

请不要对自己太苛刻，改用 HTML 解析器，Python 有多种可供选择：

• ElementTree 是标准库的一部分
• BeautifulSoup 是一个受欢迎的第三方库
• lxml 是一个快速且功能丰富的基于 C 的库。

元素树示例：

from xml.etree import ElementTree

tree = ElementTree.parse('filename.html')
for elem in tree.findall('i'):
    print ElementTree.tostring(elem)