python - 使用正则表达式的文件清理器

Question

因此，我正在尝试编写自己的脚本，这些脚本将接收 html 文件并返回错误并清理它们（这样做是为了学习正则表达式，因为我发现它很有用）

我首先使用一个快速函数来获取文档，并以正确的顺序获取所有标签，以便我可以检查以确保它们都已关闭......我使用以下内容：

>>> s = """<a>link</a>
... <div id="something">
...     <p style="background-color:#f00">paragraph</p>
... </div>"""
>>> re.findall('(?m)<.*>',s)
['<a>link</a>', '<div id="something">', '<p style="background-color:#f00">paragraph</p>', '</div>']

我知道它抓住了两个胡萝卜括号之间的所有东西，这就是整条线。我会用什么来返回以下内容：

['<a>','</a>', '<div id="something">', '<p style="background-color:#f00">','</p>', '</div>']

Answer 1

re.findall('(?m)<.*?>',s)

- 或者 -

re.findall('(?m)<[^>]*>',s)

后面的问号*导致它是一个非贪婪匹配，这意味着它只需要它需要的量，而不是正常的，它需要尽可能多的。

第二种形式使用更频繁，它使用字符类来匹配<除 之外的所有内容，因为除了结尾之外，它永远不会存在于标签内的任何地方。

Answer 2

尽管您真的不应该使用 regex 解析 HTML，但我知道这是一个学习练习。

您只需要再添加一个字符：

>>> re.findall('(?m)<.*?>',s) # See the ? after .*
['<a>', '</a>', '<div id="something">', '<p style="background-color:#f00">', '</p>', '</div>']

*?匹配前一个值的 0 个或多个（在本例中为.）。这是一个惰性匹配，将匹配尽可能少的字符。

Answer 3

re.findall('(?m)<[^<^>.]+>',s)