正则表达式匹配关闭HTML标记

Question

我正在处理一个小的Python脚本来清理HTML文档。它的工作方式是接受KEEP标签列表，然后通过不在列表中的HTML代码垃圾标签解析我一直使用正则表达式来执行此操作，并且我已经能够匹配开始标签和自闭合标签但没有关闭标签。我一直在试验匹配结束标签的模式是</(?!a)>。这对我来说似乎合乎逻辑，所以为什么不工作？ (?!a)应该匹配任何不是锚定标记的东西（不是说“a”可以是任何东西 - 它只是一个示例）。

编辑：AGG！我猜这个正则表达式没有显示！

Answer 1

1. 阅读：

   • RegEx match open tags except XHTML self-contained tags
   • Can you provide some examples of why it is hard to parse XML and HTML with a regex?

2. 悔改。

3. 使用真实的HTML解析器，如BeautifulSoup。

Answer 2

Don't use regex to parse HTML。它只会让你头疼。

改为使用XML解析器。尝试BeautifulSoup或lxml。

Answer 3

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

匹配一个特定的HTML标签的打开和关闭一对。

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

将匹配任何HTML标记的开始和结束对。

请参阅here。