本文介绍如何精准匹配常见的成对 html 标签（如 `
- `、`
` 等）及其完整内容，确保开闭标签与中间文本一并捕获，避免 `re.split` 导致标签丢失的问题。
在处理 HTML 片段时，若目标是提取特定成对标签的完整结构（例如 <li>内容</li> 或 <h3>标题</h3>），直接使用 re.split() 会将标签本身作为分隔符丢弃，无法满足“保留标签”的需求。此时应改用 re.finditer() 或 re.findall() 进行匹配（match）而非分割（split）。
核心思路是：利用正则中的捕获组 + 反向引用，确保开闭标签名称一致，并匹配二者之间的内容。推荐正则模式如下：
import re pattern = r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*</\1>" subject = '<p> Some text some text some text. </p> <p> Another text another text </p>. <li> some list </li>. <ul> another list </ul>' matches = [match.group(0) for match in re.finditer(pattern, subject, re.DOTALL)] print(matches) # 输出： # ['<p> Some text some text some text. </p>', # '<p> Another text another text </p>', # '<li> some list </li>', # '<ul> another list </ul>']
✅ 关键说明：
- (p|li|ul|ol|dl|h1|...) 捕获标签名；
- [^<]* 匹配标签内不包含 < 的任意字符（适用于无嵌套、无属性的简单场景）；
- </\1> 精确匹配对应闭合标签（\1 引用第一个捕获组内容）；
- re.DOTALL 使 . 可匹配换行符，提升鲁棒性。
⚠️ 重要注意事项：
立即学习“前端免费学习笔记（深入）”；
- 此正则不支持标签属性（如 <p class="intro">）或嵌套结构（如 <ul><li><p>text</p></li></ul>），因 [^<]* 会提前终止匹配；
- 对于真实 HTML 文档（含属性、注释、自闭合标签、不规范缩进等），强烈建议使用专业 HTML 解析器（如 BeautifulSoup 或 lxml），例如：
from bs4 import BeautifulSoup
soup = BeautifulSoup(subject, 'html.parser')
for tag in soup.find_all(['p', 'li', 'ul', 'ol', 'dl', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6']):
print(tag)✅ 总结：正则适用于可控、结构简单的 HTML 片段提取；生产环境或复杂 HTML，请务必转向 DOM 解析器——它语义准确、容错性强，且天然支持属性遍历、嵌套查询与安全清理。
