如何在HTML中分组匹配多个class为caja-anuncio的section节点？

问题场景 #

现有一段包含多个重复结构的HTML，需要提取所有符合以下特征的section节点：

• 带有id="post-数字"属性
• 带有class="caja-anuncio"属性

每个目标节点的结构为两层嵌套的section：

<section id="post-1149642" class="caja-anuncio ">
    <section class="foto"> ... OMITTED...
        </section> 
    <section class="caja-datos">
     ... OMITTED...
         </h5>
    
     </section>
    </section>

原正则的问题 #

你之前尝试的正则使用了贪婪匹配的(?s).*，会直接从第一个匹配的起始标签一直匹配到最后一个闭合标签，无法分割成单个的目标节点。

可行解决方案 #

方案1：改进正则表达式（适用于结构固定的场景）

使用非贪婪匹配限制匹配范围，确保每个匹配只对应一个目标节点：

(<section id="post-\d+" class="caja-anuncio\s*">((?s).*?)<\/section>\s*<\/section>)

• (?s)：让.可以匹配换行符，处理多行HTML
• .*?：非贪婪匹配，遇到第一个符合的闭合标签就停止
• 末尾匹配两个</section>，对应目标节点的两层嵌套结构

示例（Python）：

import re

html = """你的HTML内容"""
# 提取完整的section节点
pattern = r'(<section id="post-\d+" class="caja-anuncio\s*">((?s).*?)<\/section>\s*<\/section>)'
results = re.findall(pattern, html)
for full_section, _ in results:
    print(full_section)

方案2：使用HTML解析器（更可靠，推荐）

正则处理HTML容易因结构变化失效，更推荐用专业的HTML解析库（比如Python的BeautifulSoup）：

from bs4 import BeautifulSoup

html = """你的HTML内容"""
soup = BeautifulSoup(html, 'html.parser')
# 筛选符合条件的section节点
target_sections = soup.find_all(
    'section',
    id=lambda x: x and x.startswith('post-'),
    class_='caja-anuncio'
)

# 输出每个节点的完整HTML
for sec in target_sections:
    print(sec.prettify())

这种方法无需关心内部嵌套结构，只要外层标签符合条件就能精准提取，容错性更强。

内容的提问来源于stack exchange，提问作者Kiquenet