如何使用python正则表达式将字符串拆分为html标签？

Question

说我有一个字符串：

"<blockquote>Quote</blockquote><br />text <h3>This is a title</h3>"

预期输出：

["<blockquote>Quote</blockquote><br />", "text", "<h3>This is a title</h3>"]

如上所述，我需要在同一项目中同时包含开始标签和结束标签。

我尝试过： re.split("<*>*</*>", s)

我对Regex还是很陌生，因此可以提供任何帮助

Answer 1

您可以使用re.findall来执行此操作。

import re
s = "<blockquote>Quote</blockquote><br />text <h3>This is a title</h3>"
re.findall(r'<[^>]*>.*?</[^>]*>(?:<[^>]*/>)?|[^<>]+', s)
# ['<blockquote>Quote</blockquote><br />', 'text ', '<h3>This is a title</h3>']

但是避免像直接使用正则表达式那样解析html数据，并考虑使用类似BeautifulSoup

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(s, "html.parser")
>>> soup.findAll()
[<blockquote>Quote</blockquote>, <br/>, <h3>This is a title</h3>]
>>> soup.findAll()[0].text
'Quote'
>>> [s for s in soup.strings]
['Quote', 'text ', 'This is a title']