17370845950

` 等）及其完整内容，确保开闭标签与中间文本一并捕获，避免 `re.split` 导致标签丢失的问题。

在处理 HTML 片段时，若目标是提取特定成对标签的完整结构（例如

标题

核心思路是：利用正则中的捕获组 + 反向引用，确保开闭标签名称一致，并匹配二者之间的内容。推荐正则模式如下：

import re

pattern = r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*"
subject = '
 Some text some text some text. 
 
 Another text another text 
. 
 some list 
. 
 another list 
'

matches = [match.group(0) for match in re.finditer(pattern, subject, re.DOTALL)]
print(matches)
# 输出：
# ['
 Some text some text some text. 
', 
#  '
 Another text another text 
', 
#  '
 some list 
', 
#  '
 another list 
']

✅ 关键说明：

• (p|li|ul|ol|dl|h1|...) 捕获标签名；
• [^
• \1> 精确匹配对应闭合标签（\1 引用第一个捕获组内容）；
• re.DOTALL 使 . 可匹配换行符，提升鲁棒性。

⚠️ 重要注意事项：

• 此正则不支持标签属性（如

  ）或嵌套结构（如

  • text

  ），因 [^
• 对于真实 HTML 文档（含属性、注释、自闭合标签、不规范缩进等），强烈建议使用专业 HTML 解析器（如 BeautifulSoup 或 lxml），例如：

from bs4 import BeautifulSoup
soup = BeautifulSoup(subject, 'html.parser')
for tag in soup.find_all(['p', 'li', 'ul', 'ol', 'dl', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6']):
    print(tag)

✅ 总结：正则适用于可控、结构简单的 HTML 片段提取；生产环境或复杂 HTML，请务必转向 DOM 解析器——它语义准确、容错性强，且天然支持属性遍历、嵌套查询与安全清理。