Behalten Sie beim Teilen von Zeichenfolgen bestimmte HTML-Tags bei

Question

Ich muss eine Zeichenfolge durch eine bestimmte Anzahl von Tags aufteilen (<li>, <lu> ...). Ich habe den regulären Ausdruck herausgefunden

pattern = <li>|<ul>|<ol>|<li>|<dl>|<dt>|<dd>|<h1>|<h2>| <h3>|<h4>|<h5>|<h6> 和 re.split

Im Grunde erledigt es die Arbeit

test_string = '<p> Some text some text some text. </p> <p> Another text another text </p>. <li> some list </li>. <ul> another list </ul>'
res = re.search(test_string, pattern) 
-> `['<p> Some text some text some text. </p> <p> Another text another text </p>. ', ' some list </li>. ', ' another list </ul>']`

Aber ich möchte die öffnenden und schließenden Tags erfassen und die Tags im geteilten Text behalten. Etwas Ähnliches

['<p> Some text some text some text. </p> <p> Another text another text </p>. ', '<li> some list </li>. ', '<ul>another list </ul>']`

Answer 1

回答您的具体问题：

<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*

并且匹配而不是拆分。

\1 指的是开始标记中捕获的内容。

类似于：

for match in re.finditer(r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*", subject, re.DOTALL):

但是，在大多数真实情况下，这不足以处理 HTML，您应该考虑 DOM 解析器。