使用Python正则表达式re.findall匹配捕获标签对间内容

问题 #

需要匹配并捕获HTML标签对之间的有效文本，最终每行输出2组捕获到的内容。输入与预期输出如下：

输入 #

<a> </a> <b>hello hello 123</b> stuff to ignore here <i>123412bhje</i> <a>what???</a> stuff to ignore here <b>asd13asf</b> <i>who! Hooooo!</i> stuff to ignore here <i>df7887a</i>

预期输出 #

hello hello 123 123412bhje 
what??? asd13asf 
who! Hooooo! df7887a

要求使用Python的re.findall()实现匹配逻辑。

解决方案 #

步骤1：匹配所有非空标签内容 #

使用正则表达式捕获所有标签对中的文本，同时后续过滤掉空内容（比如示例中<a> </a>这类无意义的空标签）。

正则表达式：

<([a-z])>(.*?)</\1>

• <([a-z])>：匹配小写字母命名的起始标签，捕获标签名用于匹配对应结束标签
• (.*?)：非贪婪匹配标签内的文本，避免跨标签匹配多余内容
• </\1>：反向引用前面捕获的标签名，确保匹配对应的结束标签

步骤2：代码实现 #

import re

linein = '<a> </a> <b>hello hello 123</b> stuff to ignore here <i>123412bhje</i> <a>what???</a> stuff to ignore here <b>asd13asf</b> <i>who! Hooooo!</i> stuff to ignore here <i>df7887a</i>'

# 捕获所有标签对的标签名和内容
M = re.findall(r'<([a-z])>(.*?)</\1>', linein)
# 过滤空内容，提取有效文本
valid_content = [text for _, text in M if text.strip()]
# 按每2个一组拼接输出
for idx in range(0, len(valid_content), 2):
    print(' '.join(valid_content[idx:idx+2]))

运行结果 #

执行代码后会输出与预期一致的内容：

hello hello 123 123412bhje
what??? asd13asf
who! Hooooo! df7887a

内容的提问来源于stack exchange，提问作者JD13