如何从GPT回复长文本中按JSON Schema提取并校验JSON？

针对从<pre><code>标签中提取JSON并校验的需求，你当前的贪婪正则+Schema校验方案存在明显局限性——正则很难精准处理HTML结构的变动（比如标签带属性、嵌套层级变化），也无法可靠匹配JSON的多层嵌套结构。以下是更可靠的优化方案：

核心思路 #

先通过HTML结构解析精准提取目标文本，再用原生JSON解析器验证格式合法性，最后做Schema校验，流程更严谨且容错性更强。

步骤拆解 #

1. 精准提取code标签内容
   放弃正则匹配整个HTML文本，改用专业的HTML解析库直接定位<pre>下的<code>标签，提取其中的纯文本内容。这类库能自动处理HTML的语法细节（比如转义字符、标签属性），确保拿到的是标签内的原始JSON文本，不会混入HTML标签或无关内容。

2. 预处理与JSON解析
   对提取到的文本做简单预处理（比如去掉首尾空白、换行），然后直接用语言原生的JSON解析器尝试解析。原生解析器能完美处理JSON的嵌套结构，只要解析成功，就说明格式完全合法，这比正则匹配的准确性高得多——正则根本无法可靠处理多层嵌套的{}或[]。

3. JSON Schema校验
   解析成功后，再用Schema校验确保JSON结构符合业务需求，这一步可以保留你的现有逻辑。

代码示例（Python） #

from bs4 import BeautifulSoup
import json
from jsonschema import validate, ValidationError

# 示例HTML内容
html_content = '''<pre><code>{
  "foo":{ "bar" : ["1"] }
}</code></pre>'''

# 1. 解析HTML提取目标文本
soup = BeautifulSoup(html_content, 'html.parser')
code_text = soup.find('pre').find('code').get_text(strip=False)
cleaned_json_text = code_text.strip()

# 2. 验证JSON格式合法性
try:
    parsed_json = json.loads(cleaned_json_text)
    print("JSON格式验证通过")
except json.JSONDecodeError as e:
    print(f"JSON格式错误：{e}")
    exit()

# 3. JSON Schema校验
target_schema = {
    "type": "object",
    "properties": {
        "foo": {
            "type": "object",
            "properties": {"bar": {"type": "array", "items": {"type": "string"}}},
            "required": ["bar"]
        }
    },
    "required": ["foo"]
}

try:
    validate(instance=parsed_json, schema=target_schema)
    print("Schema校验通过")
except ValidationError as e:
    print(f"Schema校验失败：{e}")

方案优势 #

• 可靠性更高：HTML解析库能应对各种复杂的HTML结构（比如标签带class属性、多pre/code块共存），不会像正则那样因为HTML的微小变动就匹配失败。
• 准确性更强：原生JSON解析器是处理JSON格式的权威工具，能识别所有合法的JSON结构，包括多层嵌套、特殊字符转义等，正则完全无法做到这一点。
• 易于维护：逻辑分层清晰，后续调整提取规则或Schema都更方便，不需要修改复杂的正则表达式。

内容的提问来源于stack exchange，提问作者genechu