Python正则表达式查找特定HTML标签之外的模式[重复]

Question

我正在尝试编写一个正则表达式来获取所有出现在特定 HTML 标记之间的模式 !\d+。

输入示例（Regex101 上提供）：

bla bla !1234 abcd <pre> every occurrence here should be ignored !12345 but it is not </pre> here should be captured !54321 but <code><pre> here it should be again ignored !76453 </pre></code> and here again captured !123456

我试过这个 RE：

(?:<(?P<tag>code|pre)>.*?<\/(?P=tag)>)?(?!<(code|pre)>)*!(\d+)

逻辑是这样的：

• (?:<(?P<tag>code|pre)>.*?</(?P=tag)>)?：捕获RE第一部分相关标签之间的所有文本，这样如果标签之间出现模式，就会被这个RE消费掉
• (?!<(code|pre)>)*: 确保 RE 的第一部分和所需模式之间没有其他开始标签
• !(\d+)：匹配图案，抢号

这似乎不起作用，我不太明白为什么。标签之间的数字仍然匹配。 这是为什么呢？

谢谢。

Answer 1

很难编写处理 html 的正则表达式。您可以让 html 解析器做它最擅长的事情，只需在数据元素上使用正则表达式。只要所需的数据本身没有标记（例如，!12<b>34</b>），这将做得很好

from html.parser import HTMLParser
import re

class HTMLTagFilteredFinder(HTMLParser):

    def __init__(self, *args, **kw):
        super().__init__(*args, **kw)
        self.ignoring_children = 0
        self.found_strings = []

    def handle_starttag(self, tag, attrs):
        if tag in ('code', 'pre'):
            self.ignoring_children += 1

    def handle_endtag(self, tag, attrs):
        if tag in ('code', 'pre'):
            self.ignoring_children -= 1

    def handle_data(self, data):
        if not self.ignoring_children:
            self.found_strings.extend(re.findall(r"!\d+", data))