如何用Python按指定非配对HTML标签分割HTML字符串？

嘿，我明白你现在的困扰了——你想把一段HTML字符串按照指定的*非配对（自闭合）*标签拆分，比如<br>不管带不带属性、空格多不多，都能准确分割，甚至还考虑了两种输出形式：要么保留原始上下文，要么给每个拆分后的文本段补全父标签。

你之前试了用BeautifulSoup找标签的sourcepos、string这些属性，还有lxml的with_tail=False参数，结果都没拿到想要的标签在原字符串里的起止索引，这其实是因为这类HTML解析库会把原始字符串转换成DOM树结构，丢失了原字符串的精确位置信息，所以靠它们直接拿索引确实走不通，得换两个更可行的思路：

方案一：直接拆分原字符串，保留原始上下文 #

这个方案用正则表达式精准匹配指定的自闭合标签，直接在原字符串上分割，完美保留原始的HTML结构，对应你要的第一种输出：

import re

def split_html_by_unpaired_tag(input_str, tag_name):
    # 正则匹配规则：匹配指定标签开头，忽略大小写，允许任意属性和空格
    tag_pattern = re.compile(f'<{tag_name}\\b[^>]*>', re.IGNORECASE)
    # 按匹配到的标签分割字符串
    raw_parts = tag_pattern.split(input_str)
    # 过滤空字符串并去除首尾空格（避免标签在开头/结尾产生空项）
    return [part.strip() for part in raw_parts if part.strip()]

# 测试第一个示例
print(split_html_by_unpaired_tag('hello<br    >there', 'br'))
# 输出: ['hello', 'there']

# 测试第二个示例
test_html = '<div id="d71">text1<br data-i="1">text2<br>text3</div>'
print(split_html_by_unpaired_tag(test_html, 'br'))
# 输出: ['<div id="d71">text1', 'text2', 'text3</div>']

方案二：拆分后自动补全父标签 #

如果你想要的是第二种输出（每个文本段都带上父容器标签），那用BeautifulSoup来操作DOM树重构内容会更稳妥，不用手动拼接标签：

from bs4 import BeautifulSoup

def split_html_with_parent_wrapper(input_str, split_tag_name):
    soup = BeautifulSoup(input_str, 'html.parser')
    result_list = []
    
    # 找到所有要作为分割符的标签
    split_tags = soup.find_all(split_tag_name)
    
    # 处理第一个文本块：从HTML开头到第一个分割标签前的内容
    if split_tags:
        first_content = soup.contents[0]
        if first_content and str(first_content).strip():
            # 复制父标签的结构和属性
            parent_tag = soup.new_tag(first_content.parent.name, **first_content.parent.attrs)
            parent_tag.append(str(first_content).strip())
            result_list.append(str(parent_tag))
        
        # 处理分割标签之间的每个文本块
        for tag in split_tags:
            next_content = tag.next_sibling
            if next_content and str(next_content).strip():
                parent_copy = soup.new_tag(tag.parent.name, **tag.parent.attrs)
                parent_copy.append(str(next_content).strip())
                result_list.append(str(parent_copy))
    else:
        # 如果没有找到分割标签，直接返回原HTML的列表形式
        result_list.append(input_str)
    
    return result_list

# 测试第二个示例
test_html = '<div id="d71">text1<br data-i="1">text2<br>text3</div>'
print(split_html_with_parent_wrapper(test_html, 'br'))
# 输出: ['<div id="d71">text1</div>', '<div id="d71">text2</div>', '<div id="d71">text3</div>']

这两个方案分别对应你提到的两种输出需求，你可以根据实际场景选其中一个用。

备注：内容来源于stack exchange，提问作者Nils