本文介绍在 Python 中利用正则表达式（配合捕获组与 re.DOTALL 标志）安全、高效地提取唯一成对出现的自定义 HTML 标签（如 ）之间的纯文本内容，适用于非嵌套、结构松散的类 HTML 片段。
本文介绍在 python 中利用正则表达式（配合捕获组与 `re.dotall` 标志）安全、高效地提取唯一成对出现的自定义 html 标签（如 `
在处理非标准或轻量级类 HTML 文本时（例如日志、模板片段或自定义标记格式），我们常遇到标签不规范、无嵌套但存在多个同名起始标签的情况。此时，若直接用 r"<document>.*?</document>" 匹配，re.findall() 返回的是整个匹配字符串（含标签本身），而非标签之间的内容——这正是原问题中“打印出全部内容”的根源。
正确做法是使用捕获组（capturing group）：将目标文本区域用圆括号包裹，使 re.findall() 自动返回括号内匹配的内容。关键修改如下：
import re
with open('data.txt', 'r') as f:
text = f.read()
# 使用捕获组 (.*?) 提取 <document> 与 </document> 之间的内容
matches = re.findall(r"<document>(.*?)</document>", text, re.DOTALL)
for content in matches:
print(content.strip()) # .strip() 可选，用于清理首尾空白
✅ 为什么这样有效？
Article To Html
下载
文章转信息图。将文章/笔记转化为手机可读的 HTML 信息图，自动匹配视觉风格。触发场景：文章转图、笔记转图、信息图、转小红书图、做张图、可视化这篇文章、文生图。
-
(.*?)是一个非贪婪捕获组，确保只匹配到最近的闭合标签； -
re.DOTALL使.可匹配换行符，支持跨行文本提取； - 因为题目明确“无嵌套标签”，该方案简洁可靠，无需引入重量级解析器（如 BeautifulSoup）。
⚠️ 注意事项：
- 此方法不适用于嵌套标签或复杂 HTML（如
<document><section>...</section></document>），此时应改用html.parser或lxml； - 若文本中存在未闭合的
<document></document>，正则可能误截断或漏匹配，建议先做简单校验（如统计开/闭标签数量）； - 避免用正则解析真实 HTML——W3C 规范下 HTML 具有高度上下文敏感性，正则无法覆盖所有合法变体（如属性、注释、CDATA 等）。
? 总结： 对于结构清晰、无嵌套、标签成对且语义简单的类 HTML 文本，正则捕获组是轻量、高效、可读性强的首选方案。只需牢记：要内容，就加括号；要跨行，就加 re.DOTALL。
前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！
