Python正则无法正确识别WPRM食谱字符串分隔符的修复方案咨询

我正在编写一款可自动缩放WPRM（WordPress Recipe Maker）食谱的程序，计划通过正则表达式从食谱打印版HTML代码中提取配料的数量、单位、名称信息。相关信息被类似...ingredient-attribute">和</span>的标签包裹。

我编写了如下代码：

ingredients = re.split(r'<li', recipestr_cut) 
    
for x in ingredients:
    
    out = [] # initialize a single element of the recipe as a list
    
    amount_m = re.search(r'ingredient-amount"\>(.+)\<\/span>', x)
    if amount_m:
        out.append(amount_m.group(1))
    unit_m = re.search(r'ingredient-unit"\>(.+)\<\/span>', x)
    if unit_m:
        out.append(unit_m.group(1))
    ingredient_m = re.search(r'ingredient-name"\>(.+)\<\/span>', x)
    if ingredient_m:
        out.append(ingredient_m.group(1))
    
    if len(out) > 0:
        recipe_readable.append(out)

该代码在简单食谱（如曲奇食谱）上可正常提取，返回结果如下：

[['3', 'cups', '(380 grams) all-purpose flour'], ['1', 'teaspoon', 'baking soda'], ['1', 'teaspoon', 'fine sea salt'], ['2', 'sticks (227 grams) unsalted butter, at cool room temperature (67°F)'], ['1/2', 'cup', '(100 grams) granulated sugar'], ['1 1/4', 'cups', '(247 grams) lightly packed light brown sugar'], ['2', 'teaspoons', 'vanilla'], ['2', 'large eggs, at room temperature'], ['2', 'cups', '(340 grams) semisweet chocolate chips']]

但在处理复杂食谱（如猪肉包食谱）时，正则无法正确识别</span>分隔符，提取结果包含多余标签内容，例如：

[['2/3</span> <span class="wprm-recipe-ingredient-unit">cup</span> <span class="wprm-recipe-ingredient-name">heavy cream', 'cup</span> <span class="wprm-recipe-ingredient-name">heavy cream</span> <span class="wprm-recipe-ingredient-notes wprm-recipe-ingredient-notes-faded">(at room temperature)', ...

预期结果应为[['2/3','cup','heavy cream'],...]。我刚接触正则表达式，请问该如何修复这个问题？

1. 修复正则的贪婪匹配问题 #

你的正则中使用的.+是贪婪匹配，会尽可能抓取最长的内容。在复杂HTML结构里，它会从第一个匹配的标签起始处，一直匹配到最后一个</span>，导致把后续的标签内容也包含进来。

只需将.+改为.+?（非贪婪匹配），让正则匹配到第一个</span>就停止：

修改后的正则代码：

amount_m = re.search(r'ingredient-amount"\>(.+?)\<\/span>', x)
unit_m = re.search(r'ingredient-unit"\>(.+?)\<\/span>', x)
ingredient_m = re.search(r'ingredient-name"\>(.+?)\<\/span>', x)

这样就能精准提取每个标签内的目标内容，不会混入后续的HTML代码。

2. 更可靠的替代方案：使用HTML解析库 #

正则处理HTML天生存在局限性，遇到嵌套标签、特殊字符转义时很容易出错。推荐使用BeautifulSoup这类专业的HTML解析库，代码更健壮，维护成本更低。

示例代码如下：

from bs4 import BeautifulSoup

# 先将转义的HTML字符还原为原生标签
soup = BeautifulSoup(
    recipestr_cut.replace('&lt;', '<').replace('&gt;', '>').replace('&quot;', '"'),
    'html.parser'
)

recipe_readable = []
# 遍历所有配料对应的li元素
for li in soup.find_all('li'):
    out = []
    # 通过类名定位并提取内容
    amount = li.find(class_='wprm-recipe-ingredient-amount')
    if amount:
        out.append(amount.get_text(strip=True))
    unit = li.find(class_='wprm-recipe-ingredient-unit')
    if unit:
        out.append(unit.get_text(strip=True))
    name = li.find(class_='wprm-recipe-ingredient-name')
    if name:
        out.append(name.get_text(strip=True))
    if out:
        recipe_readable.append(out)

这个方法无需编写复杂正则，直接通过类名定位元素，能处理各种复杂HTML结构，还会自动处理字符转义问题。

内容的提问来源于stack exchange，提问作者paulina