如何使用正则表达式精准提取并保留成对 HTML 标签及其内容

本文介绍如何通过正则表达式匹配而非分割，准确提取包含起始与结束标签的完整 html 片段（如 `

...

`、`

...

`），确保标签结构完整、内容不被截断，并说明其适用边界与专业替代方案。

在处理 HTML 片段时，若目标是按特定成对标记（如

...

、

...

、

...

等）切分字符串并保留完整标签结构，直接使用 re.split() 会破坏标签配对关系——它仅在标签处断开，导致起始/结束标签被分离，内容错位。正确做法是改用 re.finditer() 进行匹配（match），主动捕获“开–闭”成对出现的完整标签块。

核心正则表达式如下：

import re

pattern = r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*"
subject = '
 Some text some text. 
 
 Another text 
. 
 some list 
. 
 another list 
'

matches = [match.group(0) for match in re.finditer(pattern, subject, re.DOTALL)]
print(matches)
# 输出：
# ['
 Some text some text. 
', '
 Another text 
', '
 some list 
', '
 another list 
']

✅ 关键设计解析：

• (p|li|ul|ol|dl|h1|...|h6)：捕获组，限定支持的成对标签名；
• [^
• \1>：反向引用，确保闭合标签与开头标签名称严格一致（如
• 必须对应
）；
• re.DOTALL：使 . 可匹配换行符，支持多行内容；

⚠️ 重要限制与注意事项：

• 此正则仅适用于简单、规范、无嵌套的单层标签（例如

  text

  ✅，但
  • item
  ❌ —— 因 [^）；
• 不支持自闭合标签（如 ）、属性（如 ）、注释或 CDATA；
• 真实 HTML 文档中强烈建议使用 DOM 解析器（如 BeautifulSoup 或 lxml），它们能稳健处理嵌套、属性、命名空间、非法结构及编码问题。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(str(tag))

? 总结：
正则匹配成对标签是一种轻量级、可控的文本预处理手段，适用于已知结构简单的 HTML 片段（如 CMS 导出内容、模板片段）。但一旦涉及嵌套、动态属性或容错需求，务必转向专业 HTML 解析库——正则不是 HTML 的朋友，DOM 才是。