Python HTML解析需求：提取(id, value)格式数组

你的正则思路方向是对的，但可以优化一下，避免匹配不到或者误匹配的情况。先理清楚核心逻辑：每个title属性对应id，对应的value则在带有id="content wrap"的元素中对吧？

优化后的正则表达式 #

假设你的HTML结构大概是这样：

<div title="id1"><span id="content wrap">value1</span></div>
<div title="id2"><span id="content wrap">value2</span></div>

用下面的正则可以更稳定地捕获配对：

import re

# 编译正则，加上re.DOTALL让.能匹配换行符
pattern = re.compile(r'title="([^"]+)".*?id="content wrap".*?>([^<]+)<', re.DOTALL)
matches = pattern.findall(source_html)

正则拆解 #

• title="([^"]+)": 捕获title里的id，用[^"]+替代.+?，避免在title属性里遇到转义引号或者意外字符时出错
• .*?: 非贪婪匹配title和content wrap元素之间的任意内容，防止跳过多个配对
• id="content wrap": 精准匹配目标元素的id
• .*?>: 匹配到content wrap元素的闭合标签
• ([^<]+)<: 捕获元素内的文本值（假设value是纯文本，没有嵌套标签）

处理复杂情况 #

如果value里可能包含HTML标签或者换行，就需要调整捕获逻辑，再做清洗：

pattern = re.compile(r'title="([^"]+)".*?id="content wrap"(.*?)</', re.DOTALL)
raw_matches = pattern.findall(source_html)
# 清洗掉HTML标签，整理成干净的配对
cleaned_pairs = [(id, re.sub(r'<.*?>', '', value.strip())) for id, value in raw_matches]

更稳妥的替代方案：用HTML解析器 #

其实正则处理HTML容易踩坑（比如标签嵌套、属性顺序变化），用BeautifulSoup这类解析器会更靠谱：

from bs4 import BeautifulSoup

soup = BeautifulSoup(source_html, 'html.parser')
pairs = []
# 找到所有content wrap元素
for wrap_elem in soup.find_all(id="content wrap"):
    # 找带title属性的父元素
    parent = wrap_elem.find_parent(title=True)
    if parent:
        pairs.append((parent['title'], wrap_elem.get_text(strip=True)))

这种方法不用纠结正则的细节，能适应更多HTML结构的变化。

内容的提问来源于stack exchange，提问作者K. H.