Регулярное выражение для соответствия закрывающим тегам HTML

Question

Я работаю над небольшим скриптом Python для очистки HTML-документов. Он работает, принимая список тегов в KEEP, а затем анализируя теги удаления кода HTML, которых нет в списке. Я использовал для этого регулярные выражения и смог сопоставить открывающие и самозакрывающиеся теги но не закрывающие теги.

Шаблон, с которым я экспериментировал, чтобы соответствовать закрывающим тегам, </(?!a)>. Это кажется мне логичным, так почему не работает? (?!a) должно совпадать с любым, что НЕ является тегом привязки (не то, что «a» может быть чем угодно - это просто пример).

Редактировать: AGG! Я думаю, что регулярное выражение не показывалось!

Answer 1

1. Читать:

   • RegEx соответствует открытым тегам, кроме автономных тегов XHTML
   • Можете ли вы привести некоторые примеры того, почему трудно проанализировать XML и HTML с помощью регулярного выражения?

2. покайтесь.

3. Используйте настоящий анализатор HTML, например BeautifulSoup .

Answer 2

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

Соответствует открывающей и закрывающей паре определенного тега HTML.

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

Соответствует открывающей и закрывающей паре любого тега HTML.

См. здесь .

Answer 3

Не используйте регулярные выражения для разбора HTML .Это только причинит вам головную боль.

Вместо этого используйте анализатор XML.Попробуйте BeautifulSoup или lxml .

Answer 4

Вы также можете рассмотреть возможность использования html-парсера, встроенного в python (Документация для Python 2 и Python 3 )

Это поможет вам сосредоточиться на конкретной области документа HTML, над которой вы хотели бы работать, - и использовать в нем регулярные выражения.