用 BeautifulSoup 替代正则表达式安全解析 HTML 食谱数据

聖光之護

发布时间：2026-02-22 11:37:02

258人浏览过

来源于php中文网

原创

用 BeautifulSoup 替代正则表达式安全解析 HTML 食谱数据

本文详解为何正则表达式在解析嵌套、动态或不规范的 html（如 wprm 食谱）时容易失败，并推荐使用专业的 html 解析器 beautifulsoup，提供可复用、健壮、可维护的食谱成分提取方案。

本文详解为何正则表达式在解析嵌套、动态或不规范的 html（如 wprm 食谱）时容易失败，并推荐使用专业的 html 解析器 beautifulsoup，提供可复用、健壮、可维护的食谱成分提取方案。

正则表达式（regex）虽擅长处理结构化文本，但本质上并不适合解析 HTML——因为 HTML 是一种上下文相关的标记语言，具有嵌套性、可选闭合标签、属性转义、注释、CDATA 区块及合法但“松散”的格式（如 ... 内含其他标签或 HTML 实体）。你遇到的问题正是典型反例：在 WPRM 猪肉包食谱中，ingredient-amount 后的内容实际包含未转义的 </span> 实体、连续的标签嵌套，甚至跨标签的 HTML 实体（如表示空格），导致 r'ingredient-amount">(.*?)' 这类贪婪/非贪婪匹配极易断裂或捕获过长内容，最终将本身误作普通文本残留于结果中。

更深层问题在于：你的原始逻辑先用 re.split(r'

并非总以

标签内常嵌套多层，而正则无法可靠识别标签边界与嵌套层级。这违背了“用正确工具解决正确问题”的工程原则。

✅ 推荐方案：改用 BeautifulSoup —— 一个专为 HTML/XML 设计的 Python 解析库，它能自动修复 malformed HTML、准确构建 DOM 树、支持 CSS 选择器语法，并天然处理实体解码、空白规范化与标签嵌套。

以下是一个生产就绪的解析函数：

立即学习“前端免费学习笔记（深入）”；

智谱清影

智谱清影是智谱AI最新推出的一款AI视频生成工具

下载

from bs4 import BeautifulSoup
import requests

def extract_wprm_ingredients(html: str) -> list[dict]:
    """
    从 WPRM 打印版 HTML 中提取标准化食谱成分信息。

    返回列表，每个元素为字典，含键：'amount', 'unit', 'name', 'notes'
    （缺失字段值为 None）
    """
    soup = BeautifulSoup(html, 'html.parser')  # 自动选择最优解析器（lxml/html.parser）

    ingredients = []
    base_class = "wprm-recipe-ingredient"

    # 定位所有 ingredient 列表项（<li class="wprm-recipe-ingredient">）
    for li in soup.select(f"li.{base_class}"):
        item = {}
        # 按子类名依次提取各字段
        for field in ["amount", "unit", "name", "notes"]:
            selector = f".{base_class}-{field}"
            elem = li.select_one(selector)
            item[field] = elem.get_text(strip=True) if elem else None

        ingredients.append(item)

    return ingredients

# 使用示例（需安装：pip install beautifulsoup4 requests）
if __name__ == "__main__":
    url = "https://www.php.cn/link/5c6ad0665a39798966cb1827da181daf"
    response = requests.get(url)
    response.raise_for_status()

    result = extract_wprm_ingredients(response.text)
    for i, ing in enumerate(result[:3], 1):
        print(f"{i}. {ing['amount']} {ing['unit'] or ''} {ing['name']} {ing['notes'] or ''}".strip())

输出示例：

1. 2/3 cup heavy cream (at room temperature)
2. 1 cup milk (whole milk preferred, but you can use 2%, at room temperature)
3. 1/4 cup (60 ml) rice vinegar

? 关键优势说明：

鲁棒性强：自动处理 &, ,
、换行缩进、缺失标签等常见 HTML 变体；
语义准确：基于 DOM 结构定位（如 li.wprm-recipe-ingredient > span.wprm-recipe-ingredient-amount），而非脆弱的字符串模式；
可扩展性好：新增字段（如 notes 或自定义属性）只需追加字段名到循环中；
可读性高：CSS 选择器直观反映 HTML 结构，便于团队协作与后期维护。

⚠️ 注意事项：