匹配关闭HTML标签的正则表达式

Question

我正在写一个小的Python脚本，用来清理HTML文档。这个脚本的工作原理是接受一个要保留的标签列表，然后在HTML代码中查找并删除那些不在列表里的标签。我一直在用正则表达式来实现这个功能，已经能匹配开标签和自闭合标签，但就是无法匹配闭合标签。

我在尝试的匹配闭合标签的模式是 </(?!a)>。这个看起来很合理，但为什么不管用呢？这个 (?!a) 应该能匹配任何不是锚标签的东西（这里的 "a" 只是个例子，可以是任何东西）。

编辑：真是烦人！我想正则表达式没有显示出来！

Answer 1

不要用正则表达式来解析HTML，这样只会让你头疼。

建议使用XML解析器。可以试试BeautifulSoup或者lxml。

Answer 2

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

匹配特定HTML标签的开始和结束部分。

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

会匹配任何HTML标签的开始和结束部分。

可以查看 这里。

Answer 3

1. 阅读：

   • 正则表达式匹配打开的标签，除了XHTML自包含标签
   • 能给一些例子说明为什么用正则表达式解析XML和HTML很难吗？

2. 忏悔。

3. 使用一个真正的HTML解析器，比如BeautifulSoup。