Python正则表达式和HTML

Question

首先，我痛苦地意识到用regex解析HTML不是“好形式”。但是，我处理的是格式不好的HTML，当使用lxml等工具进行解析时无法验证。你知道吗

我的目标是只选择包含br元素的span元素。以下是我的尝试：

设置样本输入

import re
xx= '<div> <span>123</span> <span>456 <br> 789</span>  </div>'

这正确地标识了两个跨距，但仅当？存在。我不明白为什么会这样。你知道吗

re.findall('<span>.*?</span>', xx)
['<span>123</span>', '<span>456 <br> 789</span>']    

我本以为这只会选择带有br标记的span，但是相反，它会从第一个span选择开始span标记，从最后一个span选择结束span标记，只选择一个条目。你知道吗

re.findall('<span>.*?<br>.*?</span>', xx)
['<span>123</span> <span>456 <br> 789</span>']

请解释为什么我看到这种行为。你知道吗

Answer 1

根据您的其他要求，您可以执行以下操作

re.findall('<span>[^<]*<br>.*?</span>', xx)

要只将span与<br>匹配，一般来说，请按照注释的建议使用一些解析器。你知道吗