使用 re 在 html 文本中返回 html 标签

Question

我有 html 文本，我只想确定文本中可用的 html 标签。

html_text = '<p class="gmail-m3464245979397595798gmail-m6143070745855285966gmail-m-3072962113628903492gmail-m-7999079541169053160wordsection1" style="margin:0in;margin-bottom:.0001pt">Position Title: Onsite Client Services Associate<br /> Duration: 7 months<br /> Location: Tempe, AZ 85282<br /> &nbsp;<br /> <b><u>Roles and responsibilities</u></b><o:p></o:p></p> <p class="gmail-m3464245979397595798gmail-m6143070745855285966gmail-m-3072962113628903492gmail-m-7999079541169053160wordsection1" style="margin-top:5.0pt;margin-right:0in;margin-bottom:0in;margin-left:.25in; margin-bottom:.0001pt"><span style="font-family:Symbol">&middot;</span><span style="font-size:7.0pt">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; </span>Primary function during peak season (July-December) will be an onsite presence at our large client in the Phoenix area. <o:p></o:p></p>'

作为第一步，我从每个 html 标签的文本中解析每个标签 喜欢html_text.find('</p>')。由于通过检查每个标签来解析很长，我试图使用正则表达式

re.findall(r'\<\/.>', html_text)

上面的输出是['</p>', '</b>', '</u>']。但我希望输出为['</p>','</span>', '<br />', '</b>', '</u>']。所以如果我修改

re.findall(r'\<\/.*>', html_text) 

假设我可以得到</span>，我得到了整个文本。

['</u></b><o:p></o:p></p> <p class="gmail-m3464245979397595798gmail-m6143070745855285966gmail-m-3072962113628903492gmail-m-7999079541169053160wordsection1" style="margin-top:5.0pt;margin-right:0in;margin-bottom:0in;margin-left:.25in; margin-bottom:.0001pt"><span style="font-family:Symbol">&middot;</span><span style="font-size:7.0pt">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; </span>Primary function during peak season (July-December) will be an onsite presence at our large client in the Phoenix area. <o:p></o:p></p>']

有没有办法可以将所有标签的表达式写成一个表达式，或者我应该为每个标签写条件检查？在上面我无法确定<br />。

Answer 1

终于经过一些小道，我找到了自己的答案，如果它对某人有帮助，就发布它。它将确定所有的标签，做一些清理将确定标签。

re.findall(re.compile("<.*?>"), html_text)

输出是

['<p class="gmail-m3464245979397595798gmail-m6143070745855285966gmail-m-3072962113628903492gmail-m-7999079541169053160wordsection1" style="margin:0in;margin-bottom:.0001pt">', '<br />', '<br />', '<br />', '<br />', '<b>', '<u>', '</u>', '</b>', '<o:p>', '</o:p>', '</p>', '<p class="gmail-m3464245979397595798gmail-m6143070745855285966gmail-m-3072962113628903492gmail-m-7999079541169053160wordsection1" style="margin-top:5.0pt;margin-right:0in;margin-bottom:0in;margin-left:.25in; margin-bottom:.0001pt">', '<span style="font-family:Symbol">', '</span>', '<span style="font-size:7.0pt">', '</span>', '<o:p>', '</o:p>', '</p>']

Answer 2

据我所知，仅使用正则表达式无法完全实现您想要做的事情。

通常，在 HTML 标记中，开始标记内有属性。例如- <span class="text">Some Text </span> 在开头 <span 和结尾 > 之间有 class="text"。

因此，如果您只想从<span class="text">Some Text </span> 匹配<span>，则必须先匹配<span，然后以某种方式跳过class="text" 并再次匹配>。这对于正则表达式是不可能的，因为正则表达式只能一个接一个地匹配字符。

---

我想到的一个解决方案是，您可以使用这个正则表达式(<[^\/\s]+)([^>]+)>。这将匹配<span class="text">Some Text </span> 并返回<span。然后，您可以在使用字符串连接之后添加>。

正则解释-

谢谢。