Python基于re模块正则精准提取首个<p>标签内文本的实现方法

你之前使用的正则 <p>(.*)<\/p> 出现跨段匹配的核心原因是默认贪婪匹配规则：量词 * 会尽可能多地捕获符合条件的字符，导致匹配从第一个 <p> 开始，一直吃到整个文本中最后一个 </p> 前的所有内容，不会在第一个闭合标签处终止。

核心调整是将贪婪匹配改为非贪婪匹配，给量词 * 增加 ? 修饰符，让匹配尽可能少捕获字符，碰到第一个闭合 </p> 就停止。

基础场景（p标签无属性） #

适配普通无属性的 <p>内容</p> 结构，完整可运行代码：

import re

# 模拟多段FIFA主题的<p>包裹文本
html_text = "<p>FIFA是国际足球联合会的缩写，负责组织世界杯等顶级赛事</p><p>FIFA世界排名是各国足球队的官方排名依据</p><p>FIFA年度奖项用于表彰年度表现突出的球员和教练</p>"

# re.search 返回第一个匹配到的对象，group(1) 提取第一个捕获组的内容
first_p_content = re.search(r'<p>(.*?)</p>', html_text).group(1)
print(first_p_content)

输出结果：FIFA是国际足球联合会的缩写，负责组织世界杯等顶级赛事

适配p标签带属性的场景 #

如果p标签携带类名、ID等属性（例如 <p class="fifa-intro">内容</p>），需要调整正则先匹配p标签的完整开头，避免误匹配：

import re

# 带属性的p标签示例文本
html_text_with_attr = '<p class="fifa-basic" id="para1">FIFA成立于1904年，总部现位于瑞士苏黎世</p><p>后续介绍段落内容</p>'

# 正则说明：[^>]* 匹配p标签内所有非>的属性内容
first_p_content = re.search(r'<p[^>]*>(.*?)</p>', html_text_with_attr).group(1)
print(first_p_content)

适配内容含换行的场景 #

如果p标签内的文本包含换行符，默认正则中的 . 不会匹配换行，需要增加 re.DOTALL 标志：

import re

# 含换行的p标签示例文本
html_text_with_newline = "<p>FIFA是国际足球联合会的缩写\n负责组织世界杯等顶级赛事</p><p>第二段内容</p>"

# 增加 flags=re.DOTALL 让 . 匹配所有字符（包括换行）
first_p_content = re.search(r'<p>(.*?)</p>', html_text_with_newline, flags=re.DOTALL).group(1)
print(first_p_content)

注意事项 #

如果你的待处理文本是全量HTML转义后的（p标签本身也被转义为<p>、</p>），只需将正则中的标签部分替换为对应转义字符即可，例如使用正则 r'<p>(.*?)</p>'。

内容的提问来源于stack exchange，提问作者user14257643