使用正则表达式匹配Employee I时，如何提取对应前序标签的姓名？

我有一个包含100条以上记录的HTML文件，结构如下：

<div class="cell-62 pl-1 pt-0_5">
    <h3 class="very-big-text light-text">John Smith</h3>
        <span class="light-text">Center - VAR - Employee I</span>
</div>

<div class="cell-62 pl-1 pt-0_5">
    <h3 class="very-big-text light-text">Jenna Smith</h3>
        <span class="light-text">West - VAR - Employee I</span>
</div>

<div class="cell-62 pl-1 pt-0_5">
    <h3 class="very-big-text light-text">Jordan Smith</h3>
        <span class="light-text">East - VAR - Employee II</span>
</div>

我需要提取职位为Employee I的员工姓名，但这具有挑战性。请问如何选取后续标签包含Employee I的对应标签？是否可以使用条件实现，或是有其他方法？

现有代码片段如下：

with open("file.html", 'r') as input:
html = input.read()
    print(re.search(r'\bEmployee I\b',html).group(0))

比如，如何指定读取前一个标签？

解决方案 #

方法一：正则表达式（仅适用于结构固定的HTML） #

如果你的HTML结构完全统一（每个员工信息都包裹在div.cell-62中，h3标签紧跟在目标span标签之前），可以用正则捕获匹配Employee I的span对应的前一个h3内容：

import re

with open("file.html", 'r') as input_file:
    html = input_file.read()

# 匹配包含Employee I的span前的h3文本
pattern = r'<h3 class="very-big-text light-text">(.*?)</h3>\s*<span class="light-text">.*?Employee I</span>'
matches = re.findall(pattern, html, re.DOTALL)

for name in matches:
    print(name.strip())

方法二：HTML解析库（推荐，稳定性更高） #

正则处理HTML容易因结构微小变动失效，更可靠的方式是用BeautifulSoup解析DOM结构，通过层级关系关联姓名和职位：

1. 先安装依赖：

pip install beautifulsoup4

2. 提取代码：

from bs4 import BeautifulSoup

with open("file.html", 'r') as input_file:
    soup = BeautifulSoup(input_file.read(), 'html.parser')

# 遍历所有员工信息容器
for employee_div in soup.find_all('div', class_='cell-62 pl-1 pt-0_5'):
    # 获取当前容器内的职位标签
    position_span = employee_div.find('span', class_='light-text')
    # 判断职位是否为Employee I
    if position_span and 'Employee I' in position_span.text:
        # 提取对应姓名
        name_h3 = employee_div.find('h3', class_='very-big-text light-text')
        if name_h3:
            print(name_h3.text.strip())

两种方法对比 #

• 正则方法：实现简单，但仅适用于HTML结构完全固定的场景，一旦标签格式、换行、属性顺序变化，就可能匹配失败。
• BeautifulSoup方法：通过DOM层级定位元素，不受格式细节影响，适配性更强，适合处理大量或可能变动的HTML内容。

内容的提问来源于stack exchange，提问作者user15109593