如何按指定HTML标签分割字符串并保留标签？

问题场景 #

我需要按指定HTML标签（<li>、<ul>、<ol>、<dl>、<dt>、<dd>、<h1>至<h6>）分割字符串，最初写了正则表达式：

pattern = '<li>|<ul>|<ol>|<dl>|<dt>|<dd>|<h1>|<h2>|<h3>|<h4>|<h5>|<h6>'

用re.split处理后，虽然能完成分割，但丢失了起始标签，测试示例如下：

import re

test_string = '<p> Some text some text some text. </p> <p> Another text another text </p>. <li> some list </li>. <ul> another list </ul>'
res = re.split(pattern, test_string) 
print(res)
# 输出：
# ['<p> Some text some text some text. </p> <p> Another text another text </p>. ', ' some list </li>. ', ' another list </ul>']

我期望分割后起始标签能和对应内容保留在同一个元素里，得到如下结果：

['<p> Some text some text some text. </p> <p> Another text another text </p>. ', '<li> some list </li>. ', '<ul> another list </ul>']

解决方案 #

核心思路是用正则捕获组保留分割时的标签，再将标签与后续内容合并：

1. 修改正则表达式，添加捕获组
   把每个标签匹配项放在括号()中，这样re.split会将捕获到的标签作为独立元素保留在结果里：

pattern = r'(<li>|<ul>|<ol>|<dl>|<dt>|<dd>|<h1>|<h2>|<h3>|<h4>|<h5>|<h6>)'

2. 执行分割，得到包含标签的中间结果

split_result = re.split(pattern, test_string)
print(split_result)
# 输出：
# ['<p> Some text some text some text. </p> <p> Another text another text </p>. ', '<li>', ' some list </li>. ', '<ul>', ' another list </ul>']

3. 合并标签与对应内容
   遍历分割结果，将相邻的标签元素和内容元素拼接，同时过滤空字符串：

final_result = []
i = 0
while i < len(split_result):
    if split_result[i]:
        # 判断当前元素是否为标签，若是则和下一个内容元素合并
        if i + 1 < len(split_result) and split_result[i].startswith('<'):
            final_result.append(split_result[i] + split_result[i+1])
            i += 2
        else:
            final_result.append(split_result[i])
            i += 1

print(final_result)
# 输出符合预期的结果：
# ['<p> Some text some text some text. </p> <p> Another text another text </p>. ', '<li> some list </li>. ', '<ul> another list </ul>']

也可以用更简洁的切片+列表推导式实现合并：

final_result = []
# 处理第一个非标签内容块
if split_result[0]:
    final_result.append(split_result[0])
# 成对处理标签和内容
for tag, content in zip(split_result[1::2], split_result[2::2]):
    final_result.append(tag + content)

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