正则表达式提取重叠<p>标签间内容时匹配缺失的问题排查

原始HTML片段：

...<p><noop><fademusic:23,0><26:1><wait:30> <speed:10><30:2><5D:1><color:3>August 3, 9:47 AM<b>District  Court<b>Defendant Lobby No. 2<color:0><p><hidetextbox:1><5D:0> <speed:255><music:8,0><wait:30><26:0><bgcolor:513,1,31><wait:7> <person:0,0,0><bg:2><bgcolor:258,1,31><wait:15><wait:30><hidetextbox:0> <name:512><shake:30,0><color:2>(Boy am I nervous!)<color:0><p> <hidetextbox:1><wait:45><name:1792><hidetextbox:0><bgcolor:769,8,31> Wright!<p>...

需求：提取所有<p>标签之间的内容（前一个标签的结束标签同时是下一个标签的开始标签）。

当前Python代码：

filetext = open(fn).read()
tag = '<p>'
result = re.findall(tag+"(.*?)"+tag,filetext,re.DOTALL)
print(result)

预期输出：

['<noop><fademusic:23,0><26:1><wait:30>\n<speed:10><30:2><5D:1><color:3>August 3, 9:47 AM<b>District \nCourt<b>Defendant Lobby No. 2<color:0>', '<hidetextbox:1><5D:0>\n<speed:255><music:8,0><wait:30><26:0><bgcolor:513,1,31><wait:7>\n<person:0,0,0><bg:2><bgcolor:258,1,31><wait:15><wait:30><hidetextbox:0>\n<name:512><shake:30,0><color:2>(Boy am I nervous!)<color:0>', '\n<hidetextbox:1><wait:45><name:1792><hidetextbox:0><bgcolor:769,8,31>\nWright!']

实际输出：

['<noop><fademusic:23,0><26:1><wait:30>\n<speed:10><30:2><5D:1><color:3>August 3, 9:47 AM<b>District \nCourt<b>Defendant Lobby No. 2<color:0>', '\n<hidetextbox:1><wait:45><name:1792><hidetextbox:0><bgcolor:769,8,31>\nWright!']

原正则的问题在于：tag+"(.*?)"+tag会消耗掉匹配到的结束<p>标签，导致下一次匹配只能从该标签之后开始，直接跳过了中间的内容块。

可以用两种方法解决：

方法1：使用零宽断言修改正则 #

通过零宽断言匹配<p>标签的位置，不消耗标签本身，这样就能连续捕获所有内容块：

import re

filetext = open(fn).read()
tag = '<p>'
# 后行断言匹配<p>之后的位置，先行断言匹配<p>之前的位置
result = re.findall(f'(?<={tag})(.*?)(?={tag})', filetext, re.DOTALL)
print(result)

方法2：使用字符串分割（更直观） #

直接用<p>分割字符串，取中间的非空部分即可：

filetext = open(fn).read()
tag = '<p>'
parts = filetext.split(tag)
# 过滤空字符串，得到所有<p>之间的内容
result = [part for part in parts if part]
print(result)

两种方法都能得到预期的输出结果。

内容的提问来源于stack exchange，提问作者WoweMain