Python正则表达式提取HTML表格内容：匹配非<>字符问题

问题背景 #

想用Python从HTML的table标签里提取纯文本，计划通过递归调用re.sub移除所有<...>格式的标签，最终得到目标文本。但写正则时搞不定匹配标签内容的逻辑，测试代码没生效，期望先得到Hello</td>，再递归处理得到Hello。测试代码如下：

import re

test_str = '<td style="color:blue">Hello</td>'
test_str = re.sub('<{1}^[<>].*>{1}','',test_str)
print(test_str)

问题分析 #

你写的正则<{1}^[<>].*>{1}完全逻辑错误：

• <{1}等价于<，>{1}等价于>，没必要多此一举
• ^[<>]里的^放在字符集外是表示行开头，不是取反，完全不符合你想匹配标签内部内容的需求
• 整个正则根本匹配不了任何有效标签

解决方法 #

要匹配<...>格式的标签，用非贪婪匹配的正则<.*?>就可以，它会匹配从<开始到最近的>结束的内容，正好符合你分步替换的需求。再结合递归处理直到没有标签为止，代码如下：

import re

def strip_html_tags(text):
    # 替换所有<...>标签为空字符串
    processed_text = re.sub(r'<.*?>', '', text)
    # 如果还有残留标签，递归处理
    if '<' in processed_text:
        return strip_html_tags(processed_text)
    return processed_text

# 测试
test_str = '<td style="color:blue">Hello</td>'
print(strip_html_tags(test_str))  # 输出: Hello

补充说明 #

• 正则里的r''是原始字符串，避免转义字符干扰
• .*?是非贪婪匹配模式，能保证每次只匹配单个标签，不会把多个嵌套标签（比如<a>xxx</a>）当成一个整体匹配掉
• 递归终止条件是字符串里没有<，说明所有标签都已被移除

内容的提问来源于stack exchange，提问作者Seeingstars