Python如何从Selenium抓取的HTML中同时提取label文本及对应id

实现方案 #

方法1：直接使用re.findall（无需额外函数） #

re.findall本身支持多分组匹配，当正则表达式中存在多个捕获组时，会自动返回由各组匹配结果组成的元组列表，刚好可以满足同时提取id属性和标签文本的需求。

注意：你原正则的闭合标签写法<?label>存在错误，label的标准闭合标签是</label>，需要先调整这部分逻辑。

示例代码如下：

import re
# 正则同时捕获id属性值和标签文本，兼容无id属性的label标签
var1 = re.findall(r'<label\s*(?:.*?\sid="([^"]+)")?.*?>(.+?)<\/label>', html_code, re.S)

• 规则说明：
  • 第一个捕获组([^"]+)匹配id属性双引号包裹的内容
  • 外层加?适配没有id属性的label标签，无id时对应位置返回None
  • re.S修饰符让.可以匹配换行符，避免标签跨行时匹配失败
• 返回结果格式示例：[("username_label", "用户名"), ("password_label", "密码"), (None, "无id的标签文本")]

你可以直接遍历结果分别取值：

for label_id, label_text in var1:
    print(f"标签id：{label_id}，标签文本：{label_text}")

方法2：更稳定的HTML解析方案（推荐） #

正则匹配HTML很容易受属性顺序、引号类型（单引号/无引号）、标签嵌套等情况影响匹配失败，如果你对稳定性要求高，建议用BeautifulSoup解析：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_code, "html.parser")
result = []
for label_tag in soup.find_all("label"):
    label_id = label_tag.get("id")
    label_text = label_tag.get_text(strip=True)
    result.append( (label_id, label_text) )

该方案不需要处理正则的各种边界情况，适配性更强。

内容的提问来源于stack exchange，提问作者Tipo33